重构基因调控网络是了解生物过程的关键问题,其下游研究可以为药物定位和精准医疗提供有意义的策略。微阵列方法提供了大量基因表达数据,这为重构基因调控网络提供了可行的基础。许多计算方法诸如聚类,线性规划等方法因此被提出来解决此问题,但目前最有效的方法之一是集成路径一致算法和条件信息熵,因为条件信息熵不仅具有度量非线性相关的优势(非线性相关广泛出现在生物数据中),而且也可以用来区分直接相关和间接相关。PCA-CMI和CMI2NI就是基于上述思想,并被广泛应用于重构基因调控网络。然而PCA-CMI和CMI2NI如何选择合理的条件基因仍然是一个挑战,这也直接影响了算法的性能和时间复杂度。本文首先从原理上分析了路径一致性算法,解释了为何路径一致性算法结合条件互信息可以有效的构建基因调控网络,并分别从理论上和实例中分析了目前算法的缺陷。基于上述研究结合生物体频繁出现的调控模块,定义了三种调控模型:共调控、间接调控和混合调控,并以此来指导条件基因的选择。求解调控模式仅需要确认上下游而非直接上下游,这解释了为何找到调控模型的结果不能直接用来重构网络,但这个结果恰好符合路径一致算法的需求。最后,本文基于候选模型开发了一个新的基于候选基因选择的算法(RPNI)重构基因调控网络。为了验证算法的性能,本文首先将算法应用于DREAM竞赛仿真数据,证明了RPNI算法具有更高的准确率,能在实例分析中克服现有算法的缺陷,并具有更低时间损耗,更进一步,我们验证了算法在不同噪声下的表现,本文模拟了三种常见噪声,实验表明RPNI算法在不同类型的噪声下相比CMI2NI具有更高的鲁棒性。之后,为了验证本文算法在临床数据上的有效性,本文基于TCGA髓性白血病的表达数据重构了髓性白血病调控网络,通过CaGe工具证实了RPNI算法相比CMI2NI算法找到的差异靶基因在髓性白血病调控通路上更加富集。最后,本文对比了常见的调控网络加方向的策略。综上所述,本文提出的调控模型可以有效的解决现有构建基因调控网络无法确定条件基因的问题。另外,本文提出的调控模型不仅可用于路径一致性算法与互信息的结合,还可依据问题背景推广到与任意条件相关性度量的结合。