系统生物学是一个新兴交叉学科,是从系统的角度研究生物系统中所有组成成分(基因、mRNA、蛋白质、生物小分子等)之间的相互关系和作用机制。基因调控代表生物体遗传、发育、进化、疾病等过程中的基因-基因相互作用或因果关系,是分子生物学和系统生物学研究的重要间题之一。基因调控网络构建(或逆向工程)的目的正是从基因表达数据中挖掘基因与基因相互作用网络,也是通过高通量数据研究生物机理的重要瓶颈。本文基于互信息理论,针对当前基因调控网络构建方法中存在的各种缺点,提出了几种基因调控网络构建模型和算法,提高了基因调控网络预测的准确度。本文的工作主要集中在以下三个部分：(1)提出了一种结合条件互信息和路径一致算法的基因调控网络构建方法。该方法首先利用能够定量非线性相关性的条件互信息来估计基因对之间的调控强度,然后利用路径一致算法去除间接调控关系,最后得到具有稀疏性拓扑结构的基因调控网络。在基因表达数据的高斯分布假设条件下,条件互信息可以通过一个包含基因表达值协方差矩阵的简单模型来计算。模拟数据和大肠杆菌(E.coli)数据上的结果均表明该算法具有较高的性能。该方法可以通过路径一致算法逐步提高基因调控网络构建的准确率,并且能够将基因调控网络中的间接调控关系尽可能多地删除。(2)提出了一种基于逐步优化模型和互信息的基因调控网络预测高性能算法。该方法首先利用互信息值从候选调控因子中滤除噪声调控子,然后利用逐步优化模型逐步去除冗余调控因子并重新估计调控系数,最后整合得到的线性和非线性调控系数来挖掘可靠的调控关系。模拟数据(包括线性和非线性数据)和大肠杆菌(E.coli)基因表达数据的分析均表明了该算法预测基因调控网络的高准确度。该方法克服了一般互信息类方法无法识别调控方向的缺点,而且拟补了线性回归类方法的非线性损失。(3)提出了一种准确定量调控关系和强度的基因调控网络构建新方法。该方法通过微调条件互信息来准确定量变量之间的因果强度或相关性强度,对于调控关系给出了一个简洁的计算模型。提出的网络构建方法不但能够准确定量因果强度,而且能够保持基因调控网络的稀疏性结构。模拟数据和大肠杆菌(E.coli) SOS数据分析均表明该算法提高了预测的准确度。该方法的主要贡献在于通过准确定量随机变量之间的因果强度大大提高了基因调控网络构建的准确度。