复杂性疾病（如癌症、糖尿病、神经退行性疾病等）的发病机制涉及多基因、多环境因素的相互作用，传统研究方法难以全面解析其复杂性。生物信息学作为一门交叉学科，通过整合基因组学、转录组学、蛋白质组学等多组学数据，为揭示复杂性疾病的分子机制提供了新的策略与方法。本文基于2003年清华大学生物信息学中心李衍达课题组发表于《世界华人消化杂志》的综述，结合当前技术进展，系统阐述复杂性疾病生物信息学研究的核心策略与方法。

1. 数据整合与预处理：复杂性疾病研究首先需要整合来自不同平台、不同实验室的多组学数据。常用的公共数据库包括TCGA（癌症基因组图谱）、GEO（基因表达综合数据库）、ENCODE（DNA元件百科全书）等。数据预处理步骤包括质量控制、标准化、批次效应校正等，以确保后续分析的可靠性。

2. 差异表达与功能富集分析：通过比较疾病与正常样本的基因表达谱，识别差异表达基因（DEGs）。常用的统计方法包括t检验、limma、DESeq2等。随后，利用GO（基因本体）和KEGG（京都基因与基因组百科全书）等数据库进行功能富集分析，揭示DEGs参与的生物学过程与信号通路。

3. 网络分析与模块识别：基因调控网络、蛋白质互作网络（PPI）和共表达网络是理解疾病机制的重要工具。通过构建加权基因共表达网络（WGCNA），可识别与疾病表型高度相关的基因模块。网络中的关键节点（hub基因）往往在疾病发生中起核心作用。

4. 机器学习与预测模型：利用支持向量机（SVM）、随机森林、深度学习等算法，基于多组学特征构建疾病诊断、预后或药物响应预测模型。特征选择方法（如LASSO、递归特征消除）有助于筛选最具判别力的生物标志物。

5. 多组学整合分析：单一组学数据往往存在局限性，多组学整合可提供更全面的视角。常用方法包括基于相似性网络融合（SNF）、多视角学习（如iCluster）和基于路径的整合分析（如PARADIGM）。整合分析有助于发现跨组学的协同调控机制。

6. 药物重定位与精准医学：通过计算药物-靶点相互作用、药物-疾病关联，可预测已有药物的新适应症。例如，基于基因表达谱的药物匹配（如CMap）和基于网络的方法（如Disease Module Detection）已成功用于多种复杂疾病的药物重定位。精准医学则强调基于个体基因组信息制定个性化治疗方案。

7. 挑战与未来方向：尽管生物信息学方法取得了显著进展，但仍面临数据异质性、样本量不足、模型可解释性差等挑战。未来，单细胞组学、空间转录组学、多模态数据融合以及人工智能技术的进一步发展，将推动复杂性疾病研究迈向更深层次。

总之，生物信息学为复杂性疾病研究提供了强大的计算工具和系统思维，从数据整合到机制解析再到临床应用，正逐步实现从基础研究到精准医学的转化。