基于蛋白质相互作用网络的蛋白质功能预测是后基因时代的-个重要话题,迄今为至已经取得了一系列的研究成果。利用聚类算法划分网络功能模块,是基于网络的功能预测计算方法中的一个重要分支。然而,直接基于网络聚类分析得到蛋白质复合物,并根据功能富集性分析来注释未知蛋白质功能的方法实际预测效果并不好。因此,如何合理使用聚类算法预测蛋白质功能还需要进一步的研究分析。我们将聚类算法与其它功能预测方法相结合,通过加入其它有用的生物数据,构造了合适的计算模型,从而有效地利用复合物信息来提高功能预测的准确性。论文首先通过融合蛋白质结构域信息,基于对现有的一种蛋白质结构域上下文相似性算法的改进,重新定义了结构域相似性公式,进而提出了一种参数化的基于蛋白质结构域组合相似性的功能预测方法PDSim。与已有的几种经典功能预测算法的比较证实,该算法具有更好的预测效果。此外,PDSim的改进算法RPDSim通过对定义的结构域组合相似性公式中自身结构域组成的二度利用,扩展了蛋白质结构域上下文范围,强化了结构域组合相似性定义,能够进一步提高蛋白质功能预测的准确率和可靠性。其次,本文对直接基于聚类算法的功能预测方法进行了分析,文中采用MCL、MCODE、CFinder、DPClus、HC-PIN等具体算法实例进行了简单的功能预测,从而验证了设计聚类分析结合新策略的必要性。通过利用聚类分析获得的复合物信息或实验测得的蛋白质复合物数据作为结构域上下文相似性定义的作用范围,我们提出了基于聚类算法的蛋白质功能预测算法DSCP,经过实验分析证明,该算法与直接基于复合物的功能预测算法相比,预测结果的准确性有了一定程度的提高,从而为聚类算法在蛋白质功能预测中的应用提供了一种可行的方案。