随着以基因芯片为代表的高通量测量技术的发明和广泛应用,生物数据出现了爆炸式增长,有效利用这些数据理解其背后的生物网络是系统生物学最核心的任务之一。由于生物系统测量数据的复杂性,需要发展适合生物数据特点的新的数学方法,因此以动力系统、概率网络、软计算方法、Granger因果网络推断等为基础的数学方法不断被应用于基因调控网络重构、蛋白质相互作用网络重构、神经元网络重构等数据驱动的生物系统建模研究中。本文利用模糊推理、Granger因果和网络推断等数学方法分别基于生物系统观测中得到的静态数据、动态数据、序列与结构数据等进行了网络重构。针对生物系统观测产生的静态数据中的不确定性,软计算作为一类新的处理不确定性的数学方法被应用于数据驱动的生物网络重构中。本文对蛋白质信号转导网络重构中软计算的建模理论基础和模型求解方法作了讨论,并提出了一种基于概率模糊逻辑的网络推断方法。由于生物网络动态测量数据中存在条件独立性及时变波动性,本文改进并推广了基于表达时间序列数据的Granger因果网络推断方法。根据蛋白质序列和三维结构数据的特点,本文提出将蛋白质看作氨基酸接触网络,蛋白质间的相互作用则是网络之间的互联,基于网络推断的统计方法开发了一种蛋白质蛋白质接触位点的预测方法,并应用于细菌趋化性通路上的蛋白质之间的接触位点预测,其结果与最新的实验结果吻合。本文共分五章。第一章详细介绍了本文的研究背景,相关的生物数据,以及目前国内外研究现状,并给出了本文的结构安排。第二章首先对模糊系统的函数逼近能力进行了分析,估计了一类模糊系统对紧区间上全连续函数的一致逼近阶,讨论了模糊集合形状与模糊系统逼近能力的关系。然后提出了一种基于协同进化理论的粒子群优化算法,并在测试函数上证明了其相对于目标函数维数在一定范围内变化时表现出的鲁棒性。最后将模糊系统作为建模工具,粒子群优化作为模型求解工具,提出了一种基于静态数据的蛋白质信号转导网络重构的概率模糊推理方法。第三章对生物系统中的动态数据使用Granger因果推断方法进行建模,对于因果推断中的条件独立性问题,提出了一种基于投影的条件变量效应快速剔除方法,并应用于从基因表达时间序列数据重构基因网络的研究中。其次,为了处理生物数据中观察到的时变波动性,我们将Granger因果概念进行了推广,建立了均值和方差因果推断的统一模型,并应用于帕金森病人神经生理数据分析中。第四章基于蛋白质的氨基酸序列和单个蛋白质的三维结构数据,通过将蛋白质视为氨基酸接触网络的思想,使用网络上的统计推断方法,提出了一套方法利用蛋白质表面局部网络信息预测蛋白质相互作用中的接触位点。最新的生物实验结果支持该方法在细菌趋化性通路中的蛋白质接触位点预测的结果。第五章给出了本文的总结和对未来工作的展望。