生物网络中的关联关系研究有助于寻找致病因子和潜在的药物靶点,对人类疾病的诊断、治疗和预防具有重要的价值。生物网络中的关联预测是生物医学领域的研究重点之一。生物网络分为同质网络和异质网络,本文分别选取了异质网络中的长非编码RNA(lncRNA)与疾病关联和同质网络中的基因合成致死关联为代表进行研究,设计出基于正则化自表示矩阵分解的生物网络关联预测模型,主要工作如下:(1)构建lncRNA、疾病和基因相似性矩阵。本文首先基于公开的相关数据库获取lncRNA—疾病关联数据和基因—基因合成致死关联数据,并将数据清洗和预处理,得到可用的数据集。从疾病分类数据库(Medical Subject Heading,MeSH)收集疾病的分类信息,从基因本体(Gene Ontology,GO)数据库收集基因语义信息,并利用这些信息计算疾病语义相似性、lncRNA功能相似性和基因语义相似性,构建相似性矩阵。(2)提出针对lncRNA与疾病关联预测稀疏正则化自表示模型,基于已知的关联关系数据,运用双侧稀疏表示的方法,分别学习出lncRNA和疾病的表示矩阵,并引入相关生物辅助信息以促进算法对两个表示矩阵的准确估计。算法对每个潜在的关联关系对打分排序,将分数高的关联关系对作为最有可能的候选集合。通过在LncRNADisease,MNDR和Lnc2Cancer三个数据集上的十折交叉验证实验,案例分析以及参数分析实验对模型进行评估,该模型都表现出良好的预测性能。(3)提出针对人类癌症基因合成致死关联预测图正则化自表示模型,基于已知的合成致死关联关系,通过图正则化自表示模型,从输入数据中学习出合成致死的自表示矩阵,再引入基因语义相似性信息来辅助模型的预测。通过图正则化自表示模型,计算出每个基因对成为合成致死基因对的概率。在SynLethDB数据集上的五折交叉验证实验和参数敏感性分析实验的结果充分证明了该模型在合成致死关联预测上的有效性。本研究针对异质网络和同质网络关联预测分别提出了稀疏正则化自表示模型和图正则化自表示模型,实验结果都充分表明了这两个计算模型在生物网络关联预测研究上具有一定的实用性,可为后续相关研究提供一定的借鉴作用。