在生物信息学中,关键调控因子的识别是一个重要的研究课题。转录因子和miRNA是真核细胞中两种重要的调控因子,它们分别在转录水平和转录后水平调控基因的表达。研究表明,转录因子与miRNA之间存在密切的调控关系和相互合作,这些相互合作和调控关系共同组成了共调控网络。因此,研究复杂疾病共调控网络中关键调控因子的作用机制,对于认识生命活动规律和疾病的发病机理起到至关重要的作用。为此,本文结合共调控网络和表达谱数据等相关信息,提出了两种关键调控因子识别算法。主要研究工作如下:（1）传统的关键调控因子识别算法主要应用了表达谱数据,而表达谱数据存在一定的噪声;一些方法只考虑了单一调控网络,忽略了共调控网络中复杂的调控关系。因此,本文提出了一种基于共调控关系和表达谱数据的关键调控因子识别算法MRCE。该算法在表达谱数据基础上,首先整合共调控关系和关键基因信息计算调控因子的调控分数,同时利用皮尔逊相关系数计算调控因子之间的相互作用关系。然后基于Kendall系数,评估调控因子的调控分数与相关系数之间的一致性。最后为了降低表达谱中噪声的影响,MRCE算法结合bootstrap进行重复取样,选取₆₇0)小于特定阈值的调控因子作为关键调控因子。实验结果表明,MRCE算法在乳腺癌和甲状腺癌中可以有效识别具有显著生物意义的关键调控因子。（2）由于已知的共调控关系较稀疏,导致传统基于调控关系的算法存在一定的假阳性;现有的串行算法时间复杂度较高,效率较低。针对上述问题,本文提出一种基于差异表达和共调控的关键调控因子识别算法MRDGC。该算法首先对基因进行预处理,选取差异表达明显的基因。然后为了避免共调控关系稀疏的影响,MRDGC算法计算调控因子的共调控能力分数作为调控因子对基因的调控关系强度。最后整合基因差异表达和调控因子的共调控能力,利用并行化的Wilcoxon秩和检验分析调控因子的分布情况,选取检验中有意义的调控因子作为候选的关键调控因子,并根据候选关键调控因子的排名确定最终的关键调控因子。通过实验对比、功能富集分析、并行结果分析、鲁棒性分析以及案例研究,说明MRDGC算法具有较高的稳定性和效率。