随着生物信息学的发展,各类生物数据井喷式出现,通过高效的算法来挖掘各类数据成为研究热点,从而衍生出基因组学、蛋白质组学、系统生物学等研究方向。利用计算方法对蛋白质网络中生物模块的提取和疾病系统的构建,有利于低成本地研究蛋白靶向关系和疾病机制。复杂网络中成熟的社区检测技术为蛋白网络的功能模块获取提供了研究基础,而且基于局部适应度的思想可以研究重叠属性的蛋白网络。基于蛋白质重叠复合物的功能模块挖掘和分析是生物信息学的一个重要内容。本文主要研究蛋白质复合物的检测和生物网络中重叠结构的分析,分别包括社区网络、蛋白质互作网络和疾病关联网络,研究内容如下:（1）针对传统的节点聚类和链接聚类在发现重叠社区方面存在的两种固有缺陷,即参数依赖和结果不稳定,本文提出了一种基于中心团的局部扩展改进算法CLEM（the local expansion method based on the centered clique）,用以检测重叠社区。该算法通过选取中心团为核心种子,并在种子扩展过程中惩罚被多次删除的节点,从而改善所得结果的稳定性;通过选取不依赖参数的适应度函数,改进其迭代计算过程,从而避免了适应度函数的参数限制,并降低计算复杂度。在合成网络和现实网络上测试的结果表明:与已有算法相比,新算法在计算时间和准确度上均有很好的表现。（2）针对大型蛋白网络聚类成本高和网络噪声多的问题,本文提出了一种基于局部扩展的降噪方法LENRM（a noise reduction method based on local expansion）来挖掘蛋白质功能模块。该方法可以从大型的蛋白质-蛋白质相互作用（PPI）网络中发现重叠的蛋白质复合物。通过消除模块间的相互作用并模拟未发现的连接,我们的方法分别消除了PPI网络中大量的假阳性和假阴性噪声。通过在基准数据集上的测试,并与九种已知算法进行了比较,这表明该方法在复合物的数量和准确性方面均具有出色的性能。（3）为了有效整合不同类型的生物学数据来探索疾病机制,本文提出了一个新的框架,其中包括蛋白质-蛋白质网络,疾病-基因关联和疾病-复合物对,以将蛋白质复合物聚类并推断疾病关联。实际上,单一疾病通常是由多种基因产物引起的,例如蛋白质复合物,而不是单一基因。因此,从蛋白质-蛋白质相互作用网络中发现蛋白质群落并将其用于推断疾病-疾病关联具有重要意义。通过我们的方法发现的复合物在质量（Sn,PPV和ACC）和聚类数量方面优于三个PPI网络上的其他四种流行方法。系统分析表明,共享更多蛋白质复合物（例如葡萄糖和脂质代谢紊乱）的疾病对更加相似,重叠的蛋白质在不同疾病中的作用可能不同。这些发现可以为临床学者和医学从业者提供有关疾病识别和治疗的新思路。本研究课题的角度从一般性的复杂网络具体到特殊性的生物网络,探究如何在不同类型网络下进行聚类,尤其是在生物网络背景下重叠蛋白质复合物的提取。然后,依据蛋白质复合物与基因-疾病的关联构建了一个覆盖基因、蛋白质、表型和疾病的研究框架进行未知疾病关联的预测,构成一个完整的系统结构。