微生物与人类关系密切,近年来各项研究表明,微生物与人类许多复杂疾病存在联系,研究微生物关联对象有助于人们了解复杂疾病发病机理。实验方法被用于发现微生物关联对象,并已筛选出部分微生物关联数据,但实验方法耗时耗力,造成了资源的巨大浪费。计算方法,特别是机器学习,作为一种有效补充,可应用于微生物关联对象识别。针对微生物-疾病关联预测和抗新冠病毒药物筛选问题,本论文基于机器学习模型及算法从以下几个方面展开研究。首先,以微生物-疾病关联数据为研究对象,提出PU学习算法和基于邻域正则化的逻辑斯蒂矩阵因子化模型RNMFMDA。该方法首先基于PU学习和带重启随机游走,在异构网络上筛选可靠负样本。然后,提出基于邻域正则化的逻辑斯蒂矩阵因子化模型LMFNR以计算微生物-疾病关联概率。结果显示,RNMFMDA在三种五折交叉验证中分别获得了0.6332、0.8669和0.9081的最佳AUC值。其次,提出随机游走算法VDA-RWR筛选抗新冠病毒药物。本算法首先构建三个与人类相关的病毒-药物关联数据集。然后,基于病毒的序列特征和药物的化学结构特征分别建立病毒相似性网络和药物相似性网络。接着,构建病毒-药物异构网络,并在该网络上进行随机游走。最后,对预测的抗新冠病毒药物与人类ACE2蛋白质和新冠病毒结合域的复合结构进行分子对接实验。结果表明,VDA-RWR在三种五折交叉验证中获得了最佳的AUC值。最后,基于不平衡双随机游走与拉普拉斯正则化最小二乘法,设计了病毒-药物关联框架VDA-RWLRLS,用于预测病毒-药物关联。首先,基于药物的化学特征、病毒的序列特征以及病毒-药物关联网络的高斯相互作用核计算病毒相似性网络和药物相似性网络并构建病毒-药物异构网络。接着,在该异构网络上进行不平衡双随机游走与拉普拉斯正则化最小二乘法。最后,对预测的抗新冠病毒药物与人类ACE2蛋白质和新冠病毒结合域的复合结构进行分子对接和动力学模拟。结果显示,VDA-RWLRLS在三个数据集上分别获得了最佳的AUC值,分别为0.8858、0.8355和0.8625。同时,分子对接和动力学模拟实验表明,瑞德西韦和利巴韦林可能是潜在抗新冠病毒药物。