现代生物医学研究的重点专注于分子级的调控机制,即研究组织功能的正常表型(如分化、差异等)和异常表型(如癌变),寻找有效的基因治疗手段,以提高健康水平和改善疾病治疗效果。然而生物学方法(比如有针对性的生物实验)仅可以用于识别基因之间的个体交互作用,却很难用于识别多基因之间的交互作用。在最近的多基因研究中,计算科学已经应用于处理大规模的微阵列数据之中。由于基因调控网络通常容量很大,层次繁多,关系复杂,难以筛选出独立的部分,供人们直观地理解,所以提出了建立数学模型来模拟细胞基因活动。前人研究工作中暴露出两个不足的方面：一是缺乏对于多对功能相关基因交互表达的研究,更无法探测发现与特定基因功能表达相关的新基因,二是由于数学模型、算法研究或者计算机技术本身的条件限制,导致不同方法都具有一定的局限性,得到的实验结果往往存在较大的差异。针对以上两方面不足以及基因所具有的数据庞大性、交互复杂性、行为动态性等特点,本文提出并探索了基于文献和微阵列数据的方法。使用现有的医学文献出版物和实验基因表达数据,将机器学习方法应用于基因调控网络的推导,绘制一个特定功能表达的基因调控网络,揭示基因之间的关系,为相关疾病的治疗与健康服务提供支持。本文内容分为以下三个方面：首先,以美国国家医学图书馆现有的医学文献资源为主要资源,利用联机医学文献分析与检索系统(MEDLINE)和标记工具GENIA Tagger,针对基因名称和基因关系的特点,自定义了基因实体关联规则,抽取基因实体及其关系,以基因实体为节点、基因关系为边创建种子网络作为初始网络。其次,结合微阵列数据,计算相关基因的相似度,将相似度高的基因分为一类,并加入到适合的种子网络中构成扩展网络。最后,将扩展网络中的基因之间的交互关系进行量化,利用遗传算法,求解基因之间可能的交互矩阵,去除扩展网络中交互关系不强的基因,进而得到精简的基因调控网络。分析每一步的实验结果,均达到了相应的评价标准,证明了该方法的有效性,而获得的基因调控网络的实用性还有待生物医学实验进一步检验。