蛋白质是生命活动的基础,通常蛋白质以复合物的形式来实现特定的生物功能。因此,对蛋白质复合物的检测对生物研究有着重要意义。通过传统生物实验进行蛋白质复合物检测存在着成本昂贵等诸多局限,给蛋白质复合物检测带来不便。近年来,随着蛋白质交互数据的不断增加及蛋白质相互作用网络(Protein-protein interaction,PPI)模型的提出,基于计算方法从PPI网络中检测蛋白质复合物成为当前研究热点之一。目前的计算算法可以分为非监督学习和监督学习两类。非监督学习利用图论的理论,分析蛋白质复合物的拓扑结构特征,从而实现复合物的检测。但由于真实的蛋白质交互网络中存在着大量的噪音,对复合物拓扑结构分析存在着影响,进而导致非监督学习算法在复合物检测过程中存在着误差。监督学习算法主要思想是利用已知蛋白质复合物的信息,通过监督学习算法学习出复合物的共性,用于蛋白质复合物的检测。但现有的蛋白质复合物数据集的不完备,以及数据集中的假阳性,仅仅依赖于已知复合物的数据存在着一定的不合理性,同时也给监督学习预测精度带来影响。本文针对非监督学习算法中存在的问题提出了基于非确定图移除关键节点的蛋白质复合物检测算法,缓解了噪音节点对检测过程的影响。针对监督学习算法中的问题,提出了基于XGboost与拓扑结构信息的蛋白质复合物检测算法。该算法将监督学习算法与蛋白质复合物的拓扑结构信息相结合,提高了复合物检测的精度。论文的主要工作包括:(1)针对蛋白质交互网络中存在的不确定性及噪音,提出了基于非确定图移除关键节点的蛋白质复合物检测方法(DCRA)。该算法为了解决蛋白质交互网络中存在的不确定性,将蛋白质交互网络构建成非确定性图模型。又通过对蛋白质交互网络中割点的移除,从而达到减少交互网络中的噪音节点。通过实验验证,较于其他非监督学习算法,在精度上有着提升。(2)在DCRA算法中提出了两个自适应参数。通过对两个参数的调节,可以有效的控制敏感度与准确度的关系。可以调整参数的大小,以满足不同的场景需求,具有较高的适应性与可用性。(3)针对目前监督学习算法的不足,提出了基于XGboost与拓扑结构信息的蛋白质复合物检测算法。该算法不仅仅依赖于现有的蛋白质复合物数据集作为复合物检测的依据,还结合了复合物的拓扑结构特征,有效的弥补了数据集的不完备性。在模型选择上,选择了目前流行的XGboost模型。实验效果良好。