随着生物医学数据采集技术的进步,组学科学产生了越来越多的生物医学数据,可获得的生物实体(如基因、表型、疾病等)关系数据不断积累。Orphanet是目前相对完善的基于疾病的临床症状和体征观察而建立的。然而,它没有考虑基因组学等组学数据对疾病关系的影响。以前的研究表明,疾病的遗传学知识可以决定疾病分类,并且是预测疾病之间关系的最重要的因素,同时,研究疾病关系正从基于共享基因等单个实体向系统的整合多个分子水平的数据转变。在此,本文针对罕见疾病异构信息网络数据,利用图正则化的非负矩阵三分解(GNMTF)模型,它将所有网络数据以矩阵形式表示,同时对罕见疾病,表型,基因进行共聚类,从而推断新的罕见疾病关系,从结果来看,通过整合基因相互作用组,罕见疾病-表型关系,罕见疾病-基因关系,我们的方法得到的罕见疾病关系对与Orphanet中直接相连疾病关系对重合率达到91%。然后我们运用边聚类算法探究新得到的罕见疾病拓扑网络中的疾病模块,并生成罕见疾病分类树状图。相比较于Orphanet,新得到的疾病模块中,疾病间分子层面相似度更高。此外,我们评估本文所包含的11种关系类型对预测模型性能影响,结果进一步强调了系统整合疾病分子学数据的重要性。最后,运用矩阵填充来预测基因-疾病关系,并发现本文采用的方法在致病基因排序上的准确率明显优于之前的两种方法。