随着人类基因组学的研究已经取得巨大成就,生命科学研究重心已经从揭示生命遗传信息转移到分子整体水平对功能的影响,大量的生物网络数据也随之涌现。蛋白质相互作用网络是蛋白质相互作用关系的整体表达,是研究生物系统进化的关键。网络模体作为相互作用网络的基本组成单元,对蛋白质进化有重要影响。模体发现也逐渐成为蛋白质组学研究的热点问题。由于网络模体发现计算非常复杂,关于网络模体发现算法的研究大多是基于提高时间效率。本文在基于蛋白质相互作用网络的精确网络模体发现算法的研究中,提出了旨在改善算法时间效率和抽样算法精确度的模体发现新方法。研究表明,网络中存在的对称结构会造成计算的冗余。因此本文提出了模体发现方法MDBS(Motif Detection based on Basic Symmetric Subgraphs),该方法利用基本对称子图BSS(Basic Symmetric Subgraph)性质来减少模体发现过程的冗余计算。MDBS根据BSS性质挖掘网络中的基本对称子图,对网络进行对称压缩,同时在子图搜索的过程中,对部分具有相同拓扑结构的子图归类,减少了子图同构过程的时间消耗。通过在不同蛋白质相互作用网络的实验表明,MDBS提高了模体发现的时间效率。抽样子图搜索减少了模体发现过程中的计算量,但同时抽样算法不可避免的抽样误差影响了结果的准确性,是抽样网络模体发现中主要存在的问题。本文从提高抽样方法的稳定性和精确度出发,提出一种新型的基于节点概率分层的抽样模体发现算法LaRand-ESU。实验分析发现子图搜索结果集中节点频率跟节点的邻居节点度数之和(Sum of Neighbors’ Degrees,SoNDS)和节点的边聚集系数之和(Sum of Edge Clustering Coefficient,SoECC)相关。结合节点这两个特征,LaRand-ESU对网络中所有节点进行分层,对不同层次的节点赋不同的抽样概率,在子图搜索过程中通过比较随机概率和节点的层次概率值进行节点扩充。最后通过在真实蛋白质相互作用网络的实验表明,这种方法提高了抽样模体发现方法的稳定性和精确度。