关于随机生物模型的参数估计问题一直以来都备受关注,但大多数研究都是借助数学知识来解决该问题的,如:动力学行为、随机微分方程等。而随着计算机科学的发展,机器学习理论逐渐丰富,又由于生物模型的参数估计涉及到数据的分析,这让机器学习算法在关于生物模型的参数估计问题中大放异彩,发挥着其独特的作用。本文主要详细介绍了几种监督学习的算法,并以具体的生物问题为背景,分别利用这几类算法对相关的随机生物模型进行了参数估计。第三章首先简单介绍了EM算法的原理和步骤,根据某些实际情况下E步中积分无法计算的缺点,接着引出了Monte Carlo EM(MCEM)算法,MCEM算法通过Monte Carlo模拟的方法估计出了E步中的积分,弥补了EM算法的缺陷,并提高了实用性。此外,本章还对MCEM算法在Logit-Normal模型中参数估计的应用进行了研究,首先根据MH抽样得到模拟数据,接着根据模拟数据近似求得了积分,最后通过反复迭代估计出了参数值。第四章详细描述了以MCMC算法为基础的MCWM算法和GIMH算法,它们都是数据缺失情况下参数估计的方法,这两个算法通过联合抽样的方式得到边缘分布的样本,所得样本均可被看作来自于近似的目标后验分布,可用于参数估计。本章还结合随机传染病模型对模型中的感染率和恢复率进行了估计,首先通过Gillespie算法模拟出真实的传染病发展过程,将不完备数据的参数估计问题转化为完备数据的参数估计,然后对两个算法的准确性进行了验证。最后,还将其运用于英国寄宿学校流感爆发的实例中,进一步证明了算法的有效性。第五章研究了RNA干扰中si RNA逃逸量估计的问题。从内涵体中逃逸出的si RNA的量对RNA干扰的效率有着重大影响,而通常通过检测生物体及其组织,并不能测量出从内涵体逃逸到细胞质中并真正参与RNAi反应的si RNA的量。在受到瓶颈问题的启发后,我们将贝叶斯推断分别用于估计单类型和多类型的si RNA的逃逸量,并结合Gillespie算法和近邻法给出了相应的算法。但在实践中发现:由于计算精确后验分布的复杂度较高,导致算法运行效率低下,于是又对MCMC方法进行了改进,并将其运用于同样的问题。还分别以关于干扰蝗虫几丁质合成的基因和多靶点肿瘤基因治疗为例,利用两个方法准确估计出si RNA的逃逸量,结果表明改进的MCMC方法具有更高的运行效率。