高通量技术产生了海量的生物信息数据,而分析这些数据是系统生物学研究的重点和难点,通常采用聚类算法来寻找具有相似表达模式的基因组,构建基因调控网络,分析基因之间的相互作用关系。传统的聚类算法根据所有实验条件聚类,只能找到非重叠的聚类基因,而大量的基因可能参与了多个生物通路。而双聚类算法则可解决了这些问题,但是双聚类算法也有不少缺陷。本研究采用单个列向量聚类方法优化基于贪心随机自适应搜索过程的双聚类算法。通过酵母细胞的基因表达数据验证优化后算法的有效性,实验表明,优化后的双聚类算法能够产生结果更多、更好的双聚类,本文发现的双聚类结果对基因表达矩阵中基因的覆盖率达到34.77809%,将该算法应用到脑胶质瘤的基因表达数据中,获得34个共表达基因。通过详细分析、评估现有的几种经典的基因调控网络模型,研究发现贝叶斯网络模型适用于不完备数据集,其利用有向无环图模型来揭示基于统计假设的基因在其表达水平中的因果关系。通过调用R中的基于贝叶斯网络模型搭建的bnlearn包,利用34个共表达基因构建脑胶质瘤的基因调控网络,实验表明HAS2,MICAL2,GML,MARK4,SART3,RPP14,CYP11B2,SEMA3F,CHMP2A,NPPA,ZKSCAN5,SAE1,CTSO,ZNF324B,GLYAT,DLAT,DNMT1,C20orf43,这18个基因之间有调控关系,其可能与脑胶质瘤的发病机制有关。本研究通过优化基于贪心随机自适应搜索过程的双聚类算法,以发现更多脑胶质瘤的共表达基因,构建脑胶质瘤的基因调控网络发现其中部分基因存在调控关系,此研究可为下一步研究脑胶质瘤的发病机制奠定基础。