基因调控网络是一种基因与基因产物之间形成复杂相互作用关系构成的特殊网络,是人们了解生物过程和基因功能的重要工具,它代表了大量基因被转录因子调控并最终转化为蛋白质实现生物功能的复杂信息。现阶段研究人员已经提出了数量非常多、类型非常丰富的基因调控网络重构方法,为分析基因功能提供了指导信息。但是这些方法只能重构出静态的调控关系,无法从时间维度来推理出基因调控的演化过程。基于此,本文结合神经网络和复杂网络等方面的相关理论,从链路预测的角度探索基因调控网络在时间维度上的演变和重构。本文完成的主要工作可以分为以下两大部分:（1）提出了一种结合空域卷积方法和循环神经网络的时序基因调控网络重构方法—GL-TGRN（Inferring Temporal Gene Regulatory Networks based on Graph SAGE and LSTM）,以探索基因调控网络动态特性。本文将时序基因调控网络重构的问题理解成复杂网络链路预测问题,从计算机与机器学习的角度入手,首先利用Graph SAGE聚合每个基因和其相邻节点的相关信息,生成每个基因节点在不同时间快照上的特征表示,以此实现在不同的时间快照上捕获调控网络拓扑结构的目的。然后利用LSTM此类序列模型可以处理时间序列中间隔和延迟非常长的结构特性,通过LSTM特殊的输入门、遗忘门和输出门机制,从不同时刻的基因节点的特征表示中学习到时间维度的信息,最终生成融合网络拓扑结构和时序演化信息的基因节点的特征表示,最后对不同基因节点对的特征表示进行处理,获取未来时刻基因节点对生成链接的概率。实验结果表明,相比较于传统的复杂网络链路预测方法和其他神经网络方法在重构时序基因调控网络的性能,本文提出的时序基因调控网络重构方法可以明显提高预测性能,可以取得更好的预测效果。（2）结合本文第一部分内容开发了时序基因调控网络可视化分析平台。因为基因调控网络的研究主要集中在静态网络上,可供使用的时序基因调控网络在线分析以及可视化方法还未被人挖掘,所以本文第二部分先调研了一些具有普适性的动态网络可视化方法和平台作为参考,随后对在线分析以及可视化平台进行了详细的需求分析,确定了系统建设目标和要求。在完成系统设计的基础上,通过Flask、Ajax等技术完成了整个系统的构建。最终,时序基因调控网络在线分析以及可视化平台被实现为三个模块:用户模块、任务模块以及时序网络模块。其中用户模块主要负责为用户提供账号的创建和维护功能,任务模块负责让用户可以查看时序基因调控网络检测任务的相关信息并为这些任务提供在线计算功能,时序网络模块是将时序基因调控网络检测任务的结果通过在线可视化和文本下载两种形式返回给用户。