近年来,网络生物学在生物医学领域的应用逐渐增多。在临床和生态学研究中,网络生物学是获取生物个体间相互依赖关系和发掘生物功能性社团的有效手段。但在当前,想要完成复杂生物网络中网络结构的识别和具有生物学意义的生物社团的精准发掘,急需更加优秀的社团发掘算法。作为一种新兴技术,图嵌入算法在网络特性研究上呈现出了卓越的性能。虽然该算法已被成功应用到了各类生物医学研究中,但对其在生物社团发掘上应用潜力的探索并不充分。图嵌入算法在生物网络社团发掘上的适用程度、参数的设置方案以及具体的性能表现仍然有待进一步的探讨。在此基础上,本文基于图嵌入结合聚类的算法思路,在生物网络内开展社团发掘研究。具体来说,本文应用了基于随机游走、因子分解和神经网络的多种经典图嵌入算法,结合不同的聚类算法来发掘社团。该研究根据生物功能通路的大小特征改进了下游的聚类算法,以获得大小合适的生物社团。在测试阶段,本文采用了新的聚类评分标准,在六个不同类型的网络数据集和多个疾病相关的全基因组关联分析数据上,以社团和疾病间的显著关联程度对算法的性能进行打分,并以多个传统社团发掘算法为基准,客观评估了图嵌入算法在生物网络发掘社团的性能。本文的结果表明,基于图嵌入的生物社团发掘算法性能优异,超出了多类经典网络社团发掘算法。从测试结果来看,图嵌入生物社团发掘算法在不同的生物网络中性能会有所差异,但总体性能均较为优秀。最后,本文将适用于共表达网络社团发掘的K-Means+Deep Walk优化算法应用到了新冠肺炎数据集中。和经典算法WGCNA相比,本文的图嵌入社团发掘算法获得了更精细的基因社团,在进一步对各个社团的生物学意义进行解读后发现,多个社团的功能均能与新冠肺炎的临床症状相对应,且部分社团的功能可为新冠肺炎的研究提供新的猜想,为临床研究提供指导。