研究表明,对于生物制药企业而言,每年投入的研发费用与其临床有效药物产量之间并不总是呈现正比例关系。特别是在治疗一些复杂疾病(如肿瘤、忧郁症、心血管疾病等)时,药物常常表现为临床失效或具有较大的毒副作用。这一现状表明,基于“锁钥模型”的单靶标药物开发模式已面临着诸多挑战,因此急需开发面向多靶标识别的有效模型。网络药理学理论的提出和发展为基于生物网络进行药物多靶标识别提供了可能。随着完整基因序列和高通基因组学实验数据的不断积累,大量的生物过程均可以采用网络模型描述,这些生物网络模型为药物多靶标识别提供了广泛的研究途径,其中蛋白质交互网路和代谢网络尤为重要。蛋白质交互是构成细胞功能的基础,掌控着大量的生命过程,对蛋白质问交互的非正常扰动引发的调控异常是许多疾病的主要起因。蛋白质在参与分子过程或表现其功能时需要和其他蛋白质配合以模块的形式,通过相互作用来共同完成。蛋白质功能的多样性决定了模块的交叠性,识别这些具有交叠特性的模块可以为认定有效的药物靶标提供支持。代谢浓度变化是疾病发生的重要生物标志。在代谢网络中代谢浓度由参数决定,因此代谢网络参数辨识成为基于网络进行多靶标药物研究的热点之一。本文在基于生物网络识别药物多靶标的大框架下,开展了以下三方面的研究工作：针对蛋白质交叠模块识别依赖于先验知识的问题,将随机走步硬聚类算法和派系认定算法结合,提出了一种新的随机走步软聚类算法。通过从DIP数据集的budding yeast完全蛋白质交互网络抽取相关数据,参考MIPs数据集认定连接的可靠性,构建了包含3528个蛋白质和13475个交互的的蛋白质网络,在其上执行随机走步软聚类算法。聚类结果表明,该方法可以有效识别出被MIPs数据集认定的交叠模块。通过和已有的聚类识别算法比对,该方法认定的聚类具有较高的精确率,且被交叠模块共享的多角色蛋白以较低f-measure值和多种已有药物相关。通过计算语义密度,证实该方法预测得到的模块内蛋白质问具有较高的生物相关性。针对代谢网络参数估计中存在的高度非线性、参数数目多、变化范围大、实验数据少等四大难题,提出了两段式Bregman同伦正则反演优化算法。该算法将生物网络参数估计看作一个反演优化问题,通过引入Bregman距离函数作正则项,不仅解决了反演中的不适定性,而且起到了抑制噪声的作用；采用两段式同伦正则因子调整策略,以及在同伦框架下引入组合扰动机制,有效地加快了收敛速度。与已有代谢网络参数识别算法相比,该算法可以花费比其他算法稍多的计算时间得到比其他算法更好的目标函数值。实际工程中的高维参数估计常常表现为资源受限优化问题,同时针对两段式Bregman同伦正则反演算法在参数估计中存在的两点不足：1)多次求解常微分方程组耗时巨大；2)点估计无法获取估计值的不确定性信息,提出了将Kriging代理模型、单参数优化和动态坐标扰动机制相结合的组合优化算法。该算法以“广义期望提高”及交互信息最大化作为优化目标,在期望函数的多区域同时加点,在优化模型寻找新点时引入单参数优化策略和动态坐标扰动机制,避免了陷入局部最优。采用分区并行构建Kriging代理模型,节省了建模时间。通过花生四烯酸代谢网络测试,该算法能在相对少的计算时间内得到和其他算法具有可比性的目标函数值,且在最优值附近能以较小的近似误差值保证得到参数值的有效性。