随着高通量技术的快速发展,产生了越来越多较为可靠的生物资源信息,通过结合生物大数据对蛋白质相互作用网络的结构、节点的连接模式等进行全面的分析,已经成为生物信息学领域的研究热点之一。尤其是利用PPI网络预测蛋白质复合物或功能模块,对深入分析细胞环境中蛋白质在不同时空领域中参与的功能机制具有基础性作用,同时对人类探索药物研发新模式具有重要意义。目前,许多用于寻找复杂网络中社区结构的图聚类算法被应用于蛋白质复合物识别领域中。但是,大多数现有的方法通常会忽略复合物固有的生物结构,另外,许多方法仅考虑复合物为密集子图进而忽略了复合物自身的生物功能。本文针对当前存在的问题,从已知复合物的拓扑结构出发,对基于核-附属的蛋白质复合物识别框架进行深入研究与分析。本文主要工作如下:（1）提出了一种基于覆盖聚类-核-附属蛋白质复合物识别算法CCA-SE（Seed extended protein complex recognition algorithm based on coverage clustering）。PPI网络具有社区结构特性,且对PPI网络和已知复合物进行拓扑属性分析,蛋白质复合物主要由高度互连的核心结构和具有辅助功能的边缘蛋白集合构成。因此,本文在引入核心-附属框架的基础上,结合覆盖聚类算法挖掘复合物的核心结构,从而对PPI网络进行聚类分析。利用CCA-SE算法在酵母和人类两个物种的多个公共蛋白质关系网络数据集上进行了测试,算法识别结果表明CCA-SE较MCODE、MCL、COACH等算法具有更好的识别率。此外,通过算法识别出的案例也表明算法能够获取具有生物意义的复合物。（2）提出了一种基于复合物和Node2Vec算法的病毒宿主蛋白预测方法。本文首先将SARS-CoV-2病毒-宿主蛋白相互作用网络图谱和人类蛋白质相互作用网络进行整合,对整合后的网络进行聚类分析。在引入聚类结果的基础上,对PPI网络进行拓扑特征分析,最终获取宿主蛋白预测结果。算法通过在GO及KEGG上的分析表明算法的实用性,为检测病毒药物靶标起到了基础性的作用。