基因序列测序的完成,大规模测定基因表达水平的基因芯片技术的出现和高性能计算机的使用使得用模拟计算的方法大规模的研究基因表达调控成为可能,基因调控网络的重构成为功能基因组中最具挑战性的课题之一。利用贝叶斯网络构建基因调控网络也是目前生物信息学研究的一个热点。而DBNs能将数据的时序特点纳入模型中,克服普通贝叶斯有向无环图的缺点,表示出基因之间的负反馈调控过程,更加适合处理基因调控网络这一复杂的生物现象。本文的主要内容如下:(1)贝叶斯网络的概述。全面介绍和分析了贝叶斯网络的研究背景、研究现状和研究趋势;贝叶斯网络的基本原理;动态贝叶斯模型的原理及构建基因调控网络的优势。(2)动态贝叶斯网络(DBN)是基因调控网络的一种有力建模工具。贝叶斯结构期望最大算法(SEM)能较好处理构建基因调控网络中数据缺失的情况,但SEM算法学习的结果对初始参数设置依赖性强。针对此问题,提出一种改进的SEM算法,通过随机生成一些候选初始值,在经过一次迭代后得到的参数中选择一个最好的初始值作为模型的初始参数值,然后执行基本的SEM算法。利用啤酒酵母细胞周期微阵列表达数据,构建其基因调控网络并与现有文献比较,结果显示该算法进一步提高了调控网络构建的精度。(3)许多基因网络构建方面的研究都是假设基因表达之间没有时延或者有一个不变的时延。然而生物文献表明不同的基因对之间有不同的调控时延。因此本文提出一种构建多时延的调控网络构建方法。首先根据基因表达数据估计每个调控-目标基因对的转录时延及潜在调控基因的集合,然后根据估计出来的时延重新组织基因表达数据矩阵,最后把重新组织过的基因表达数据应用到传统的动态贝叶斯模型中构建基因调控网络。将此方法用于酿酒酵母菌细胞周期表达数据,构建多时延的基因调控网络,显示了算法的有效性。