生物信号转导就是通过一系列复杂的信号传递过程来诱导相关基因的表达、调控细胞分裂和决定细胞的转归,pathway是完成生物某一功能的基本单元或局部子网络,信号转导pathway就是由构成信号传递过程的一系列组成要素,包括受体、蛋白质激酶、G蛋白和第二信使之间的相互作用形成的一种子网络,是细胞感受和转导外部刺激以及调节代谢生理反应和基因表达的分子途径,该分子途径导致从受体接收外部刺激开始的某个特定的生物终端功能。细胞的大多数生物功能都是通过信号转导pathway和调控机制来协调,从而使细胞对不断变化的外部环境做出反应,并使细胞适应外部的环境。对信号转导pathway的研究是理解复杂生命过程及疾病发病机理等问题的重要手段,只有认清生物活体内各种pathway的结构及功能,以及各种pathway之间的相互交叠与作用,才能从细胞分子水平上认识生命活动的基本机制与过程,了解疾病的发病机理以及预防和诊治方法,进行有效的药物设计,实现个体化医疗的美好前景。因此,对信号转导pathway的研究,成为当今生物信息学领域研究的热点问题之一。本文详细论述了pathway的研究背景以及国内外研究现状,对pathway研究的相关生物信息学数据库以及高通量生物技术进行了简要说明,对本文重点研究的信号转导pathway进行了较为具体的阐述,包括信号转导的概念、生物信号的种类,信号转导pathway的组成要素等,在此基础上,重点研究了采用智能计算技术和机器学习方法进行信号转导pathway重构,并在基于基因表达谱数据分析进行信号转导pathway组成要素识别方面开展了相关的研究工作,取得了一定的研究成果。论文提出了一种基于HMM模型的信号转导pathway重构的新方法。该方法以已知信号转导pathway中的所有组成要素而缺失部分调控关系和调控方向信息为构建信号转导pathway的数据基础,这些数据可能是各种不同的类型,可以是生物实验的结果,也可以是文献挖掘或高通量数据分析的结果;该方法以HMM模型为重构模型,基于EM算法思想构建了模型参数学习算法,以上述具有缺失信息的样本数据为基础完成了PKA pathway和MAPK pathway的重构,并以Cell Signaling数据库中的数据为基准进行了结果验证,基于实验的结果与文献中提出的方法进行了准确性的对比分析。实际效果表明,该方法不仅提高了调控关系预测结果的准确性,而且更进一步地,还能够实现对调控方向的预测,这对于深入理解信号转导pathway的功能以及相关的生命现象都是非常重要的。在该研究成果的基础上,本文又提出了一种结合先验知识重构信号转导pathway的方法,并提出了将S-DDI信息作为一种间接的先验知识。通过对S-DDI的获取方法的研究,给出了一种适合于本文所要解决的信号转导pathway重构问题的S-DDI的预测算法,该算法以多种基因组和蛋白质组数据库作为数据源,结合信号域信息,利用ILP技术推断出真正的信号域的域-域相互作用信息。然后仍以典型的信号转导pahtway-MAPK pathway的重构为例进行了实验,对实验结果进行了准确性的分析,并与前述方法进行了从敏感性和特异性两个方面的对比分析。实际效果表明,该方法通过融合先验知识,进一步提高了信号转导pathway重构的准确性,这些研究成果推动着信号转导pathway的研究向更精细、更详尽的方向发展。以高通量生物数据为基础进行组成要素的识别一直是信号转导pathway研究领域备受关注的研究内容之一,本文基于聚类分析方法,提出了一种两阶段FCM聚类算法,并基于SAM的差异表达分析给出了不同的SAM算法对于差异基因识别效果的对比分析,为信号转导pathway组成要素识别的研究奠定了基础。