众所周知,对基因表达调控机制的揭示和基因调控网络的建立是生物信息学领域的艰巨任务,而且至今难以完成。识别调控元素对于理解和揭示基因调控机制并构建基因调控网络至关重要。调控元素包括顺式调控元素和反式作用因子,转录因子是一种反式作用因子,是开启基因转录的钥匙,因此对转录因子的研究是揭示基因表达调控机制的重要切入点。由经验可知,研究转录因子和其在DNA序列上的结合位点的交互作用有助于探索转录因子的生物意义。对于这种交互作用的研究可以转化为DNA模体发现问题,因此,解决DNA模体发现问题是理解、揭示基因表达调控机制的关键。在数据规模非常大且结构复杂的DNA序列数据集中,想要高效并准确地查找出具有生物意义的模体并在基因中定位这些模体是一个巨大的难题。生物实验技术和计算机信息技术的结合给模体发现问题的解决带来了希望,旨在提出一种解决该问题的高效、高预测准确率算法。为了保持较高时间性能,同时提高算法的模体预测准确率,本文提出一种新的算法。本文的主要研究内容:提出了一种适用于大数据集的高效算法,是一种吉布斯采样和极大团聚类结合的模体发现算法(Combining Parallel Gibbs Sampling with Maximal Cliques for hunting DNA Motif,GSMC)。不局限于OOPS模型和限制固定的模体长度,本文采用ZOOPS模型和模体长度可变机制,基于互斥并行吉布斯采样算法的全局并行搜索的能力、互斥性、快速性、随机性、模体长度可变、可扩展性等优点,结合极大团聚类算法逻辑性强、步骤简单、灵活、可扩展和并行计算效率高等特性,把两个算法进行融合,并对融合算法中的模体信息量函数、模体相似度得分函数及模体聚类函数等进行进一步的优化,避免陷入局部极值,从而找到全局最优解。本文采用互斥并行吉布斯采样算法快速随机生成初始模体,然后基于SPIC列间相似度计量方法计算出所有满足IC的模体对间的相似度,利用极大团聚类算法兼并行计算从而高效地聚类并筛选出最终的候选模体。通过比对实验可以看出,不像当前大多数模体发现算法,本文提出的算法不仅在模体识别准确度上有所提高,同时还保持着较好的时间性能,另外,还能检测出更多辅模体。