生物信息学的目的是运用机器学习和数据挖掘的技术,帮助生物学家理解大规模生物数据背后的知识信息。面向复杂疾病的分子网络挖掘主要包括三个研究方向:1)分子网络推断算法研究;2)分子网络比较分析算法研究;3)分子网络模块分析算法研究。然而,当前的分子网络挖掘模型和算法并不能够非常好地契合这种生物可理解原则,主要反映在两个方面:1)当前模型和算法得到的基因或者子网在生物学上的可解释性比较差;2)有些模型或者算法不能有效和合理地利用已知的生物功能信息。因此,在实际的分子网络挖掘研究中,当前的工作缺乏针对分子网络功能特性进行有效挖掘的模型和方法。本文针对当前分子网络挖掘在分子网络功能特性方面存在的不足,提出了实现功能网络重构、功能网络差异性分析和功能网络模块分析的方法和模型。基于网络流平衡的功能网络重构模型。该模型实现了针对分子网络功能特性进行挖掘的功能网络重构工作,能够重构出与疾病相关的生物功能内部的分子调控关系。该模型将网络流平衡的思想推广到功能子网的捕获上,进而获得功能解释性强和疾病相关度高的功能子网,而不仅仅是传统挖掘方法得到的联系稠密的网络结构。本工作分别在酵母数据和两个真实的疾病数据集上比较了该模型和传统网络重构算法、传统网络分割算法的性能。结果验证了该模型的有效性。而后,本工作讨论了该模型得到结果的现实生物意义。最后,本工作提供了免费算法包供研究者下载使用,网址是http://www.sysbio.ac.cn/cb/chenlab/images/NetSA_algorithm.rar。基于网络流平衡和网络特征筛选的网络标记物提取方法。该方法实现了针对分子网络功能特性进行挖掘的功能网络差异性分析工作,而功能网络差异性分析工作能够被应用于捕获网络标记物。该方法首先将网络流平衡的思想应用到捕获失调功能子网上。而后,提出了一个松弛的网络特征筛选模型,去捕获到功能可解释网络标记物。不同于传统的网络标记物提取方法,该方法最后得到的功能可解释网络标记物不仅具有比较好的样本区分能力,还具有非常优秀的生物可解释性。本工作在各种真实的疾病数据集上比较和验证了该方法在样本区分能力和生物可解释性方面的有效性。最后,本工作提供了免费开源的算法包供研究者下载使用,网址是http://www.sysbio.ac.cn/cb/chenlab/images/CNSpackage0.1.rar。基于联合非负矩阵分解的功能网络模块分析模型。该模型实现了针对分子网络功能特性进行挖掘的功能网络模块分析工作。在该模型中,一种弱联合非负矩阵分解模型被首次提出来。不同于传统的强联合非负矩阵分析模型,它能够根据生物组学大数据本身的特性分解和分析功能网络模块的功能活性及其对应的分子网络。本工作在模拟数据集和真实的疾病数据集上比较和验证了该模型在网络模块分析上的性能。最后,本工作提供了免费开源的算法包供研究者下载使用。该算法包的网址是http://www.sysbio.ac.cn/cb/chenlab/images/DFApackage.zip。