蛋白质-蛋白质相互作用（PPI）网络蕴含着重要的生物信息,对分子生物学的影响也越来越大。例如,通过提取PPI网络中的信息可以预测蛋白质的功能以及PPI网络的进化,了解相互作用的细节能够为研究疾病和药物靶标提供参考。目前,基于PPI网络的研究主要包括PPI网络比对以及基于PPI网络的相关研究。网络比对被广泛用于预测蛋白质功能,识别保守的功能模块以及研究物种的进化关系。但是,网络比对是一个NP-complete问题,大部分算法通常在比对大型网络时速度较慢或准确性较差。因此,需要开发高效的网络比对算法。另一方面,人类疾病被视为高度联系的细胞网络的扰动,即疾病不是彼此独立,而是高度相关,我们将相互关联的疾病称为合并症。识别合并症可以为了解疾病进展、探索治疗方案提供参考。PPI网络已被广泛用于评估疾病间的关联。本文就PPI网络比对算法以及基于PPI网络的疾病相关性研究算法进行了探讨。论文的主要内容安排如下:第一章主要介绍了本文的研究背景、研究现状和研究意义。第二章提出了一种快速而准确的算法—NAIGO.该算法首先利用已知的先验知识（例如,基因本体论）将网络划分为子网;对于每个子网对,通过考虑蛋白质同源信息及其局部结构信息,将网络比对问题转化为目标优化问题来对齐它们;然后,基于贪婪算法进行子网比对的局部扩展和全局扩展,进而得到更具生物意义的局部比对和全局比对。我们将NAIGO算法应用于人类和酿酒酵母S288c的PPI网络比对,并将比对结果与其他公认的方法（例如,IsoRank,GRAAL,SANA和NABEECO）进行比较。结果表明,NAIGO方法优于其他方法。第三章提出并比较了 10种基于PPI网络的疾病相关性方法,以研究糖尿病与其他疾病、肥胖与癌症间的关联,其中,DIconnectivity-eDMN方法具有最佳性能。首先,DIconnectivity-eDMN将BP术语映射到PPI网络上以构建BP功能子网,然后,通过重启的随机游走（RWR）对其进行扩展（在整个PPI网络中）以生成扩展的模块化网络（eMN）.此外,我们还基于RWR生成扩展的疾病相关基因,并将扩展的疾病相关基因映射到eMN上,疾病间的关联是通过映射基因集在eMN上的加权互作数来衡量的。DIconnectivity-eDMN方法不仅可以预测疾病间的相关性,而且还可以揭示关联疾病的重要生物学过程。本文提出的网络比对算法以及疾病相关性研究算法在PPI网络上得到了成功运用,但这两种算法的应用不限于PPI网络,还可将其推广到其他类型的生物网络中。