随着后基因组时代的到来,当今对于生物基因组序列一级结构的了解还远远不够,还必须明白其中基因是怎样组织起来的,每个基因的功能是什么,又是怎样随发育调控和微环境因素的影响而在特定的时空域中展开其表达谱的。在细胞和生物体生长、分泌、细胞系定向等过程中,基因表现的转录水平调控是非常重要的一个环节,转录因子在物种进化中起着很重要的作用,而基因调控网络表现的是大量基因受到转录因子的调控而最终转录翻译为蛋白质进而实现生物功能的复杂信息,是人们理解生物过程和基因功能的重要内容。对于全基因组范围内转录因子(transcription factor)的调控网络确立变得尤为重要。在一般情况下,面对海量般的基因序列数据,传统的基因鉴别技术成本昂贵、复杂、检测灵敏度较低,重复性差,并且这种基因芯片技术远远不能满足研究现状,此时使用机器学习方法对生物数据进行数据挖掘已经成为生物学研究的一种新方法,本课题主要利用支持向量机方法,结合已知的转录因子数据,解决生物信息学中全基因组中预测建立调控网络的问题。针对基因序列的复杂性,运用支持向量机的方法,通过对已知的酵母菌转录因子及其对象的研究,独创性地对酵母基因组序列进行了降维,结果表明降维后的转录因子数据同样可以有效的表达转录因子对的特性,从而对于找到其他转录因子对有很大的帮助。利用已有文献报道的实验数据信息,对酵母的全基因组调控网路进行了预测。通过对转录因子序列的有效降维,结合支持向量机技术,我们取得的预测结果超过以往一些聚类分析的算法。