环状RNA（circRNA）是一种没有3和5端腺苷酸尾的非编码RNA。由于其为环形结构,与线性RNA相比,它稳定性更高。近年来高通量序列检测技术发展迅速,越来越多的研究表明环状RNA参与到了多种生命过程中,并与人体的多种疾病（阿兹海默症、心脏病、糖尿病、癌症）有着密切的关系。预测环状RNA与疾病的关系有助于了解疾病的发病机理,也有利于诊断和治疗疾病。传统检测环状RNA与疾病的潜在关系方法一般是基于生物实验,但生物实验需要耗费大量的人力物力。近年来,各种各样的计算模型被提出,但由于环状RNA与疾病的关系数据通常都较为稀疏,许多方法的性能受到了限制。如何解决稀疏数据带来的噪声问题、如何运用好多个种类的生物数据提高预测的准确性仍然需要深入研究。针对上述问题,本文基于图网络学习技术提出两种算法用于预测环状RNA与疾病的潜在关系。具体来说,本文利用图神经网络、知识图谱,在环状RNA、疾病、LncRNA、miRNA等多种生物数据的关系网络中提取得到环状RNA与疾病的特征信息,由于这些特征信息包含网络中各个结点的邻居结点的特征,能较好解决数据稀疏性带来的问题。两个模型内容具体如下:（1）本文提出了一种基于改进的图神经网络及负采样方法（IGNSCDA）在二元关系网络中预测环状RNA-疾病潜在关系。在该算法中,本文首先将环状RNA与疾病的已知关系构造成一个异构网络,接着用一个改进的图卷积网络获取环状RNA与疾病的特征向量,然后将特征向量输入到多层感知机中进行预测,最后计算得到每一对环状RNA-疾病的关系相似得分。此外,该算法提出一种负采样方法,该方法是根据环状RNA与疾病的表达谱相似性和高斯核相似性来选择负样本,能够有效减少噪声数据的影响。五折交叉实验以及案例分析实验结果显示IGNSCDA能够有效预测环状RNA-疾病的潜在关系。IGNSCDA的实现代码及使用的环状RNA-疾病数据均已公开在https://github.com/lanbiolab/IGNSCDA。（2）本文提出了一种基于知识图谱注意力网络在多种生物数据关系网络中预测环状RNA与疾病之间潜在关系的方法（KGANCDA）。该方法首先收集了包括环状RNA、疾病、lncRNA、miRNA多种数据,构造了环状RNA与疾病的知识图谱,然后用一个知识图注意力网络获得图中每个实体的特征向量,其中注意力机制用于区分邻居实体的重要性,最后将环状RNA与疾病的特征向量送入多层感知机（mlp）中预测关系得分。该方法除了能获取得到关系数据中的低阶邻居信息,还能从多种数据的多跳关系中获得高阶邻居信息,并且有利于解决数据稀疏性问题。通过五折交叉验证实验以及案例分析实验证明,KGANCDA方法优于对比方法,并能有效预测环状RNA与疾病的潜在关系。KGANCDA的实现代码及本文整理的两个知识图谱均已公开在https://github.com/lanbiolab/KGANCDA。