近年来,随着第二代基因测序技术的快速发展,基因表达数据量也逐步增大。基因表达数据含有基因活动的丰富信息。从基因表达数据中挖掘基因之间的调控关系对理解生物细胞体内的生命活动非常重要。构建基因调控网络有利于发现基因之间的调控关系,为分析基因表达数据提供可视化的工具。静态基因表达数据反映生物体细胞基因在稳定状态下的表达水平,可以表明细胞当前的生理状态。静态基因表达数据具有维度高,样本少的特点。从高维小样本中准确地挖掘基因之间的调控关系是一项富有挑战性的任务。本文利用迭代加权Lasso推理基因间的调控关系,构建基因调控网络,提出了DSWLasso算法。DSWLasso算法基于距离相关性的概念产生距离样本数据,增加了样本数据量;使用多元线性回归构建初始的基因调控网络,利用迭代加权Lasso逐步删除构建的基因调控网络中弱的调控关系,提升网络构建的准确性。在高斯模拟数据集和25个基因表达数据上的实验表明,DSWLasso算法构建基因网络的准确性优于ARACNE、GeneNet、DPM、reg-DPM和PMI五种方法。生物体细胞内生命活动是动态变化的,基因之间的调控作用也不全是即时发生的,可能在时间上有一定的延迟。时间序列基因表达数据蕴含生物体细胞内基因表达水平随时间动态变化的信息,因此从时间序列基因表达数据中挖掘基因之间的调控关系可以阐述不同状态下基因的活动。本文将遗传算法和极限学习机相结合,提出了GAELM算法,用于识别时间序列基因表达数据中的基因调控关系。遗传算法用来搜索靶基因的调控基因,极限学习机具有训练速度快的特点,用来获取时间序列基因表达数据中基因之间的调控关系。为了提升极限学习机识别的调控关系的准确性,GAELM使用动态时间规整初步筛选潜在的调控基因。在时间序列基因表达数据集和模拟的时间序列数据集上的实验结果表明GAELM构建的基因调控网络性能优于ELM-GRNNminer、HRNN、TD-ARACNE、BANJO和GRNNminer。DSWLasso算法和GAELM算法分别从静态和时间序列基因表达数据中挖掘基因之间的调控关系,构建基因调控网络。从相应的基因表达数据和模拟数据表明了两种方法构建基因调控网络的有效性。