协同致死关系是基因之间的一种特殊的相互作用,当构成协同致死关系的两个基因同时产生缺陷时,会导致细胞的死亡。利用协同致死关系开发靶向抗癌药物是现代癌症治疗理论中重要的一环,在传统的生物学实验中需要通过RNA筛选等手段探测未知的协同致死基因对,而这些实验存在成本高昂以及效率低下等问题。通过计算方法预测协同致死基因对可以为生物学实验提供目标指导,从而提高探测实验的研究效率,在一定程度上降低实验成本。随着研究的深入,产生了越来越多的与基因相关的数据,研究人员开始利用这些数据开发预测协同致死关系的算法,试图从已知的协同致死关系中挖掘其隐藏模式以实现精确地预测;近年来,研究人员开始尝试结合非协同致死关系的、多源的数据进一步提高协同致死基因预测的精确度,使协同致死关系预测发展为一个多视角的问题。然而在引入非协同致死关系的数据时,必然同时引入大量的噪声,如何在多视角的数据中挖掘出与协同致死相关的信息成为这个工作的难点。为了解决以上难点,本文提出了有监督的多视角图自编码器框架,并实现了该框架下的基础算法以及结合注意力机制的改进算法。图自编码器将基因视为节点,基因间关系视为边,将基因间关系建模成图数据。引入已知的协同致死关系作为监督信号,同时对局部的单视角以及全局的多视角协同致死关系重构进行监督训练,实现了在细粒度下获取每个视角中与协同致死相关的信息;最后将多视角下重构的协同致死关系融合在一起获得最终的预测结果。然而,在目前的多视角基因数据中,各个视角的数据与协同致死关系的相关度是有所区别的,已知的协同致死关系与其他非协同致死关系的数据则应该有更大的区别。因此,在改进算法中,本文将多视角数据进一步区分为主视角和支撑视角,通过参数控制,使算法能更好地区分目标数据和噪声数据;同时,引入了注意力机制进一步提高了多视角数据的融合的效果,使多视角数据中与协同致死关系相关度高的数据权重更大,对预测结果的贡献更大,以提高算法预测精确度。本文通过在SynLethDB以及基因相互作用数据集上的对比实验验证了该算法框架的有效性。此外,本文通过模型消除实验验证了模型结构的有效性和合理性;通过参数敏感性分析实验检验了模型各项超参数的作用。最后,本文通过具体的案例分析进一步检验了算法的有效性。