当前基因调控领域研究信息以指数级增长,一方面带给研究人员海量的研究数据,同时也给研究资源的选择带来了很大的困难:如何方便地查询基因调控相关的数据库、工具和文献;如何及时了解最新的研究信息;如何快速选取文献成为急需解决的三大问题。与此同时数据挖掘技术也获得了飞速的发展,使用机器学习方法对生物数据文本进行数据挖掘已经成为一种生物信息学研究的一种新方法,尤其是文本挖掘中更成为研究的热门,这同时也为我们解决上述问题提供了有效的方法。本课题针对上述情况,根据文本挖掘的需求设计实现了频繁序列算法,并提出了该算法在文献选择和文本分类等多方面的应用,开发了用于信息提取和文本挖掘的频繁序列算法系统(FSAS);同时结合文本挖掘技术分别建立了基因调控信息资源库(GRIS)和基因调控信息智能检索系统(InfoAgent)。文本分类是文本挖掘中最主要的部分,其核心问题在于如何实现分词和提取文本特征。基因调控研究领域的发展日新月异,新词、新技术不断涌现,传统的基于词库的分词算法无法适应这一变化。本课题实现的频繁序列算法可以在无字典情况下挖掘出文本中的频繁长词和新词。本算法挖掘出的长词,比单个词更能体现文本的主要意义,所以可以用来帮助研究人员了解文献的主要内容,从而实现对所需文献的阅读选择。同时,这些词经过选择后可以方便地生成文本特征向量,为文本分类服务,本课题利用FSAS系统提取的文本特征,结合SVM技术,对基因调控相关的文献进行了分类实验,多次分类结果的平均准确率达到80%以上。另外,FSAS对一定量的基因调控相关文献进行分析后,也可以构建该领