生命科学或医学中常常需要预测某些实体之间的关联,例如疾病和基因之间的关系。当前,大多数生物关联研究都是通过实验的方式来进行。通过生物实验的方法通常需要消耗大量的人力、物力和财力,而生物实体数据规模大,其组合很难穷尽,因此存在大量未被实验验证的关联。因此实验之前确定可能的关联候选集合是一个重要的问题。通过计算确定可能的潜在关联候选集合成为生物信息学当前的研究热点。例如在lncRNA与蛋白质、miRNA与疾病和药物与靶标的领域有很多基于计算的关联预测算法,也有比较新的关联问题,例如病毒与宿主的关系预测问题上还较少有基于计算方法。一般期望生物关联预测的算法具有很强的通用性,可以迁移到其他领域的关联预测问题。为了调查当前这些算法的适用性和效果,本文系统综述了预测生物关联的计算方法方面5个当前性能最好的算法。本文系统综述了这些算法的构造和应用,并根据lncRNA与蛋白质、miRNA与疾病和病毒与宿主三个生物领域关联数据的特点分别选取了合适的相似矩阵构造方法,作为算法的输入,从而在不同的领域应用,发现了不同领域最适合的相似性和最适合的算法。综合分析在相似性和算法对预测结果的影响,分析了算法对相似度变化的稳定性和对数据变化的稳定性。最后综合考虑性能和稳定性分别对三个不同领域选取最适合的算法。综上,本文在系统研究和评估了三个生物关联领域五个具体的算法,提出了针对数据特点合理设计相似度矩阵和选择适合的算法,可以有效的提高算法的预测准确度。当前生物关联预测方法的研究比较分散独立,研究者常常忽略了这些问题之间的共性和不同,本文对当前关联预测算法进行了系统分析和评估,这为不同问题的预测算法选择和数据输入提供了有价值的参考。本文所预测的潜在可能连接,为进一步生物实验确定了可行的研究范围,也为更深入地了解生物属性提供了潜在的候选。