代谢是一系列有序化学反应的总称,在维持人类生命中起着至关重要的作用,如生物的生长和繁殖以及对身体外部环境的反应。大量的研究和实验表明,与健康的人相比,病人的某些的代谢物浓度相差较大。因此,相关代谢物与疾病的关联关系是医生诊断和治疗的重要判断之一。随着高通量代谢组学技术的改进,研究人员可以获得大量关于代谢物与疾病的关联关系的信息。同时,代谢组学数据库如HMDB的建立,促进了代谢组学的发展。然而,由于代谢物、疾病的多样化,仍有成千上万数的关联关系需要检测,目前得到的数据仍只是冰山一角。传统的生物学实验可以测试和验证一些假设,但通常需要相当长的时间才能得到结果。如果结果和假设的偏差太大或结果不太显著,实验者可能不得不承担相应的经济损失。因此,开发能够节省实验时间、资金和提供可用预测结果的计算方法,能挖掘出与疾病强关联的代谢物,给生物研究者提供参考,这样既缩小了实验范围又减少了成本的浪费。本文基于网络拓扑与生物信息融合的不同网络采用不同类型的计算方法挖掘了疾病相关的代谢物,具体工作如下:第一,提出基于KATZ模型的预测算法预测疾病相关联的代谢物。首先将生物信息（疾病语义信息）与拓扑信息进行融合。随后,将已知的疾病与代谢物关联关系及疾病、代谢物融合后的相似性网络输入到KATZ模型,KATZ模型根据每个结点之间的路径数和每个路径的长度计算每个结点的得分。通过实验分析可知,该算法可以作为挖掘疾病相关的代谢物的工具。第二,提出基于线性邻居相似性的二部网络推荐算法预测疾病相关的代谢物。通过多数据的生物信息（疾病与基因信息、疾病语义信息等）与拓扑信息进行融合得到对应的初始相似性及计算新的特征网络从而进一步得到线性邻居相似性作为最后的相似性网络。最后采用二部网络映射算法得到最后的预测关系,实验结果表明,此方法能够很好地识别疾病相关的代谢物。第三,提出基于轻量级梯度提升树（LightGBM）模型预测代谢物疾病关联关系。首先从代谢物与通路关联关系的生物信息中提取出代谢物功能相似性及从疾病与症状中提取出疾病功能相似性,其次再分别与提取的代谢物、疾病相应的拓扑信息进行融合作为提取特征的基础并使用统计方法、图论方法、矩阵分解方法及PCA降维的方法提取出最后的特征。最后将特征及标签输入到LightGBM分类器进行疾病与代谢物潜在关系的分类。从相应的性能评价方法及对实验结果进行分析后的结果表明该预测算法具有较好的性能。本文基于已知的代谢物与疾病关联关系,融合代谢物、疾病的拓扑信息及它们对应的多种生物信息设计了三个预测算法挖掘出潜在代谢物与疾病的关联关系,从而为相关领域的研究工作者验证疾病相关的代谢物打下基础。