基因改变导致的表型异常涉及分子、通路、网络、细胞与器官等多个层次,了解基因-表型关联对疾病的预防、诊断和治疗具有重要意义。然而,由于表型研究的复杂性,实验方法检测基因-表型关联往往耗时长、成本高,目前的数据库中只有小部分人类蛋白编码基因具有表型注释。人们发展了一系列计算方法预测基因-表型关联,但相关预测算法均建立在蛋白质特征提取基础之上,预测准确性与完整性有待提升。为提升基因-表型关联的预测效率,本文利用变分图自编码器开展了以下方法学研究。首先,本文研发了一种基于变分图自编码器的基因-表型关联预测模型Graph Pheno。Graph Pheno不需要特征工程来捕获蛋白质序列的深层特征,而是直接整合序列与相互作用等两类蛋白质最基本的属性发现人类基因与异常表型之间的关联。通过五倍交叉验证和独立测试集对Graph Pheno模型的预测效率进行了评估,3741种表型预测的平均AUC值分别为0.768及0.622,这说明Graph Pheno模型具有良好的预测效果,且具有一定的发现新基因-表型关系的能力。然后,本文利用Graph Pheno模型对人类全部基因相关的表型做了预测,并考察了预测结果的生物信息特征。基于18,155个人类蛋白质的序列及相互作用信息,本文通过图卷积获取了每个蛋白质低维稠密的嵌入向量,进一步将嵌入向量用于深度学习模型,得到了18,155个人类蛋白质与4369种表型之间的21,114,059对潜在的关联关系。对预测结果的生物信息分析表明,同一表型关联的已知与预测基因之间倾向于具有较高的序列相似性,较高的功能相似性,较高的发生相互作用的概率,在人体53个组织上表现出较强的基因表达相关性。这些结果从多个角度说明了预测结果的可靠性。最后,本文将Graph Pheno模型应用于“线粒体呼吸链活性下降”表型相关基因的预测研究。本文发现预测的“线粒体呼吸链活性下降”相关基因参与了线粒体内膜、线粒体蛋白复合物、呼吸电子传递链等线粒体相关的生物学过程,在氧化磷酸化、产热和一些神经退行性疾病（如帕金森病、亨廷顿病和阿尔茨海默病）进程中起重要作用。通过对神经退行性疾病的临床样本进行差异基因表达分析,本文还发现预测的大部分“线粒体呼吸链活性下降”相关基因在神经退行性疾病中表达显著下调。通过上述研究,本文发现了一些新的与“线粒体呼吸链活性下降”相关的基因,有望为实验人员研究线粒体代谢异常提供理论指导,为相关疾病临床诊断与治疗提供新的思路。