基因调控是细胞内各相关物质对基因表达行为的调节,控制着几乎所有的细胞活动。因此对基因调控的研究不但可以探究生命活动的内在规律,而且能对基因相关疾病的预测、诊断、治疗以及药物设计起到极大的帮助。利用基因表达谱数据、转录因子信息、蛋白质互作信息等多源生物信息,可以建立网络模型,描述基因之间调控关系,以便于上述研究的进行。但目前调控网络模型大多只关注“基因到基因”的调控关系,并不涉及深层机制的描述,且对于多源生物信息的利用方式也有待进一步发展,以充分挖掘其中蕴含的信息。由此本文提出一种新的基于多源生物信息的基因调控动力学模型,其具体内容描述如下:(1)新型的更加精细的基因调控动力学模型本文针对基因调控的深层机制进行建模,采用Petri网的网络拓扑结构来描述更加细致的基因、蛋白质以及生物小分子共同参与的调控过程,从而较其他模型更加精细,更加符合细胞内的动力学规律。(2)更多先验知识的直接利用构建复杂的系统模型需要融入、参考多源生物实验数据带来的先验知识。但目前的基因调控网络模型只在基因层次上研究整个动力学系统,因此需要将先验知识先转化为“基因到基因”的调控关系,再间接利用。而本文直接将先验知识嵌入到模型中,使其能够直接参与模型求解过程,从而充分发掘它们蕴含的信息。(3)求解复杂动力学模型的数学及计算机方法本文所关注的复杂模型的求解是基于时序数据和先验知识对含有大量隐层结点的递归网络模型进行大量参数的优化。因此,本文在确定优化目标的数学定义时,提出融入先验知识的数学形式,以达到合理利用先验知识来避免过拟合的目的。同时,在优化问题的解决中,利用BP算法对含有大量隐层结点的递归网络模型进行优化。此外,本文还采用并行化的计算方法来提高算法的效率。为了验证该基因调控动力学模型的有效性和普遍性,本文设计并实施实验,以检验这种动力学模型矫正与预测基因表达行为的能力。实验过程中还比较了GPU并行计算与CPU计算的时间性能,结果表明并行技术能够大幅提高此建模算法的效率。