理解生物生理过程背后的生物学逻辑是生物学研究中一个重要的目标,这样的研究有助于加深我们对生物表型背后生物学机制的了解,进而为我们预测与干预生物表型提供新的研究方向。构建一个质高质量的功能关联网络将有助于实现这一目标。在本研究中,以拟南芥的分子功能相互作用组为背景,我们构建了新一代的拟南芥预测相互作用组资源（predicted Arabidopsis interactome resource,PAIR）这一功能关联网络。随后实现了基于该网络的新一代组学数据分析方法——基因集关联分析（gene set linkage analysis,GSLA）。新一代的 PAIR v5.0 通过整合多种形式的功能关联证据,利用机器学习算法预测了一共335301对拟南芥的基因功能关联。随后,通过与现存的被广泛使用的一系列其他类功能关联网络的对比,我们定量地评估了 PAIRv5.0作为一个功能关联网络的统计学特性。以此网络作为驱动,新一代的GSLA得以对观测到的组学数据变化展开有效的分析。组学数据的变化一般反映在从组学变化中提出的差异表达基因（differential expressed genes,DEGs）上。利用GSLA,生物学研究者可以对这些差异表达基因展开分析,以阐释这些差异表达信息所代表的生物学过程对生物个体施加了怎样的功能影响。GSLA利用现存的生物学概念来分析观测到的组学数据变化。与传统方法不同的是,GSLA不仅通过这些生物学概念来描述组学数据本身,还通过功能关联网络来来拓展我们对于组学数据的认知。该特性使得研究者能通过GSLA形成对组学数据更高层次的理解,找到有助于进一步研究的新线索与新方向。在本论文中,我们利用GSLA展开了对拟南芥种子发育过程中光响应与植物激素响应的研究,并在这两个研究案例种通过比较GSLA与一系列被广泛使用的组学数据分析工具,定量地评估了 GSLA在分析组学数据中所展现出的独特能力,展现了 GSLA如何帮助研究者将宏观的表型变化与微观的分子机制联系在一起,从而更加综合以及系统地理解这些变化对生物体施加的功能影响。最后,我们开发了 PAIR v5.0与GSLA的在线资源,方便他研究者更广泛地使用这一组学数据分析系统。本研究中所涉及到的所有数据与分析工具,均可通http://public.synergylab.cn/pair 来访问。