随着高通量测序技术的发展,大规模基因表达数据的积累速度越来越快。如何借助数学方法从海量的表达数据中挖掘有效信息成为了一个极大的挑战。表达数据中一个至关重要的信息就是基因表达的相关关系。它可以帮助我们实现对未知基因的功能注释,理解基因间的调控关系,从而更好地了解复杂疾病的机制。这对发现癌症亚型、预测致病基因、药物筛选等有着极为重要的意义。但是不同于一般的数据,基因表达数据中参与同一调控机制的基因只会在某些特定的条件（比如属于同一组织的细胞）下具有相关的表达量,而在其他条件下不具有相关性。也就是说只有部分基因在部分条件下是相关的。传统聚类分析方法无法有效的识别基因的这种局部相关性。作为对传统聚类方法的改进,双聚类方法被广泛应用于识别表达数据中的这种基因的局部相关性。但是由于双聚类问题本身至少是NP-难的,目前的算法都有着各自的局限性。无论是算法可以识别的双聚类种类还是算法的准确度都不甚理想。本研究基于基因表达数据分析的双聚类问题,以应对复杂的双聚类类型、提高识别双聚类的准确率、优化算法的时间复杂度为主要目标,提出了两种全新的双聚类算法,解决了目前的双聚类算法所存在的只能识别部分类型的双聚类、得到的双聚类质量差、算法时间复杂度高等问题。本文的主要工作如下:第一,提出了全新的基于列的种子扩充策略的双聚类算法RecBic。该方法通过识别定义最一般的趋势一致的双聚类,实现了识别多种类型的双聚类的目标,得到了更有生物意义的双聚类;通过全新的种子选取策略,保证了该算法具有较高的准确率;同时该方法针对一般的基因表达数据具有行数远大于列数的特点,以列为种子,从而保证了算法对行只有线性时间的复杂度,极大的缩小了算法的运行时间。我们分别在模拟数据和真实数据上测试了 RecBic和其他八种双聚类算法。RecBic在不同类型的模拟数据集上的准确率均明显优于其他算法。而且根据在来自不同物种不同组织的八组表达数据上的测试结果,RecBic的平均双聚类富集率比排名第二的算法高出了 12%左右。第二,我们开发了全新的基于图优化的算法BicGO。该算法对表达矩阵定义了一个全新的有向无环图模型,将表达数据中寻找趋势一致双聚类的过程转换为在一系列有向无环图中寻找最长路的过程。这个全新的模型比UniBic的最长公共子序列模型更为契合趋势一致双聚类的定义,完美的解决了我们之前开发的UniBic无法很好的找到趋势一致的双聚类的问题。BicGO采用了以行为种子的策略,在列的复杂度上比RecBic低,因此更适用于表达数据中列维度高的情形。针对于当前双聚类算法得到的共表达基因假阳率过高的问题,我们在BicGO中加入了一个全新的目标函数。我们在模拟数据和真实数据上比较了 BicGO与其他七种主流算法,BicGO在模拟数据上明显优于其他的算法。且在五组不同物种的表达数据上的比较表明BicGO得到了比其他算法高29%的F1得分（F1得分为基因富集率和双聚类富集率的调和平均值）。尽管这两个算法的结合在表达数据上表现很好,但是它们仍然存在着一些不足。一方面是随着单细胞测序的发展,已经出现了几万行几十万列的基因表达数据。我们以及众多的双聚类算法都无法应对如此大规模的基因表达数据。另一方面单细胞表达数据中,有着非常多的缺省值,我们的双聚类算法在应对缺省值多的数据时,也没有很好的解决方案。如何将双聚类算法有效的应用到单细胞数据集上,有待后续的工作去解决这个问题。RecBic为开源软件,由C++实现,下载地址为:https://github.com/holyzews/RecBic/tree/master/RecBic/BicGO将在论文发表后开源,目前可以在Github上联系RecBic作者获得。