生物信息学中,随着完成测序的生物的增加及对基因功能的更深入广泛了解,生物网络包括代谢网络、基因调控网络、信号转导网络等的研究也越来越多。许多微生物几乎完备的信息已经为人们所知,但是人们并不完全理解这些信息,于是人们想通过已有的生物信息来重构网络来进行分析和研究。代谢通路分析的研究中主要有两种方法,基元模式和极端途径。然而,要想得到一个大规模代谢网络模型的中的全部基元模式或极端途径是一件较为困难的事,因为计算对空间和时间都是一个挑战。一般的做法是分解网络,本文使用了两种新的分解代谢网络的方法,并把它们运用到极端途径的计算当中。第一种方法是本文提出的一种聚类方法,这种方法与机器学习中无监督学习聚类方法类似。第二种方法是谱图理论提出的图分解方法,这种方法借助于求解特征值和特征向量实现。这两种方法都把网络分为两个模块,并且以这两个模块间的联系最少为目标进行分解。经过分解后网络再计算其通路,然后进行合成。这样在计算过程中,经过实验对比,计算上对空间和时间的要求上都有所改进。经过求解的通路,需要以图的形式呈现给用户,这就需要对网络进行可视化。如何对求得的通路的反应和物质进行布局,使得呈现给用户的图看起来较为清晰,本文提出一种新的对代谢网络进行布局的算法,并运用到了所实现的系统中。最后,实现了一个计算极端途径的系统。在这个系统中,给定建立的模型文件,可以实现求解极端途径,并可以以图的形式把所建立的网络和计算得到的极端途径呈现给用户。