由於生物資訊的蓬勃發展，各種的生物資料不斷的被提出，像是序列資料、微陣列資料以及文獻資料庫等。然而這些生物異質資料中，雖彼此之間有著高度的相關性，但少被一併探討，因此本研究希望藉由異質性資料之整合來預測出新的生物知識。在這些生物資料中，生物晶片資料是目前較受到高度重視的一種資料，主要是因為生物晶片技術的崛起使得生物學家得以一次針對大量基因做不同的處理，但生物晶片技術將會產生龐大的資料，然而，目前的工具所能從微陣列資料獲得的資訊有限，因此需要一套系統化的方法處理這些數據，並結合其它生物知識將隱藏在這些資料背後的重要訊息擷取出來。在處理這個問題上，目前多數學者採用叢集演算法來分析生物晶片中的基因微陣列的資料，但此方法只能找出相同表現型態之基因，其無法找出基因彼此之間更密切的調控關係，因此有學者藉由建置基因網路來探討其基因之間詳細之關聯但目前在建置基因網路的研究中大多沒有考慮基因微陣列本身的特性--基因數量會遠大於實驗之次數，此種特性將會導致基因微陣列資料其預測結果之正確率不高。因此，本研究認為，要建置出一個優良的基因網路首先就是要找出有相關聯性的基因，以減低基因網路之複雜度。因此本研究將採用關聯法則配合著時間序列的處理來分析基因與基因在此實驗內的關連性，以找出微陣列資料中所隱藏之資訊。由於生物中各種異質性資料其彼此之間也許存在著相同的結果，因此本研究藉由擷取生物文獻資料的方法以便將隱藏在這些資料背後的重要訊息發掘出來。在找出真正有關聯性之基因後，由於本研究是法則無法表示出基因彼此之因果關係，本研究利用動態貝氏網路(Dynamic　Bayesian　Network　,DBN)自動建置基因網路，以達到多方考慮及兼顧效目標。

　In　order　to　understand　gene　and　put　gene　to　use,　we　must　know　the　gene’s　function.　The　regulation　of　gene　expression　is　achieved　through　gene　networks　of　interactions　between　DNA,　RNA,　proteins,　and　small　molecules.　Using　microarray　technology　to　predict　gene　network　has　become　important　in　research.　However,　microarray　data　are　complicated　and　require　a　powerful　systematic　method　to　handle　these　data.　Dynamic　Bayesian　network　(DBN)　is　an　suitable　method　to　predict　gene　regulatory　network.　If　we　use　all　genes　in　microarray　experiment,　we　may　find　some　problems　which　may　lead　to　the　low　accuracy　and　excessive　computational　time.　In　this　paper,　we　use　time-interval　approach　to　transform　microarray　data　in　order　to　use　apriori　algorithm　to　find　the　gene’s　relation,　and　then　use　these　related　genes　to　apply　a　dynamic　Bayesian　network　to　find　gene　network.　Unlike　the　previous　techniques,　this　method　not　only　reduces　the　comparison　complexity　but　also　reveals　more　mutual　interaction　among　genes.　But　microarray　data　can’t　contain　enough　information　for　finding　gene　relations,　we　may　use　other　biological　data　to　raise　the　accuracy.　We　choose　a　large　number　of　literature　data　to　filter　mining　result　to　raise　the　accuracy.

Agrawal,　R.　and　Srikant,　R.　(1994)　Fast　algorithm　for　mining　association　rules　in　large　databases.　In　20th　International　Conference　on　Very　Large　Data　Bases,　487-499.
Agrawal,　R.,　Umielinski,　T.　and　Swami,　A.　(1993)　Mining　association　rules　between　sets　of　items　in　large　database.　In　The　ACM　SIGMOD　International　Conference　on　Management　of　Data,　207-216.
Baeza-Yates,　R.　and　Ribeiro-Neto,　B.　(1999)　Modern　Information　Retrieval.　New　York:　The　ACM　Press.
Bailis,　J.M.,　Bernard,　P.,　Antonelli,　R.,　Allshire,　R.C.　and　Forsburg,　S.L.　(2003)　Hsk1-Dfp1　is　required　for　heterochromatin-mediated　cohesion　at　centromeres.　Nature　cell　biology,　5(12),　1111-1116.
Becquet,　C.,　Blachon,　S.,　Jeudy,　B.,　Boulicaut,　J.F.　and　Gandrillon,　O.　(2003)　Strong-association-rule　mining　for　large-scale　gene-expression　data　analysis:　a　case　study　o　human　SAGE　data.　Genome　Biology,　12,　1-16.
Botstein,　D.　and　Altman,　R.　B.　(2001)　Missing　value　estimation　methods　for　DNA　microarrays.　Bioinformatics,　17(6),　520-525.
Creighton,　C.　and　Hanash,　S.　(2003)　Mining　gene　expression　databases　for　association　rules.　Bioinformatics,　19,　79-86.
Becquet,　C.,　Blachon,　S.,　Jeudy,　B.,　Boulicaut,　J.F.　and　Gandrillon,O.　(2003)　Strong-association-rule　mining　for　large-scale　gene-expression　data　analysis:　a　case　study　o　human　SAGE　data.　Genome　Biology,　12,　1-16.
Claverie,　J.M.　(1999)　Computational　methods　for　the　identification　of　differential　and　coordinated　gene　expression.　Human　Molecular　Genetic,　8,　1821–1832.
Doddi,　S.,　Marathe,　A.,　Ravi,　S.S.　and　Torney,　D.C.　(2001)　Discovery　of　association　rules　in　medical　data.　Med　Information　Internet　Med.,　26,　25–33.
Eisen,　M.B.,　Spellman,　P.　T.,　Brown,　P.　O.　and　Botstein,　D.　(1998)　Cluster　analysis　and　display　of　genome-wide　expression　patterns.　Natl　Acad.　Sceience　,　95,　14863-14868.
Eisenberg,　D.,　Marcotte,　M.E.,　Xenarios,　I.　and　Yeates,　O.T.　(2000)　Protein　function　in　the　post-genomic　era.　Nature,　405,　823-826.
Ewing,　B.　and　Green,　P.　(2000)　Analysis　of　expressed　sequence　tags　indicates　35,000　human　genes.　Nature　Genetics,　25,　232-234.
Friedman,　N.,　Linial,　M.,　Nachman,　I.　and　Pe’er,　D.　(2000)　Using　Bayesian　network　to　analyze　expression　data.　Computational　biology,　7(3),　601-620.
Hieter,　P.　and　Boguski,　M.　(1997)　Functional　Genomics:　It’s　All　How　You　Read　It.　Science,　278,　601-602.
Jenssen,　T.,　Lagreid,　A.,　Komorowski,　J.　and　Hovig;　E.　(2001)　A　literature　network　of　human　genes　for　high-throughput　analysis　of　gene　expression.　Nature　genetics,　28,　21　–　28.
Ji,　L.　anf　Tan,　K.　L.　(2004)　Mining　Gene　expression　data　for　positive　and　negative　co-regulated　gene　cluster.　Bioinformatics,　20(16),　2711-2718
John,　H.　D.　(2002)　Modeling　and　simulation　of　genetic　regulatory　system:　a　literature　review.　Computational　biology,　9(1),　67-103.
Imoto,　S.,　Goto,　T.　and　Miyano,　S.　(2002)　Estimation　of　genetic　networks　and　functional　structures　between　genes　by　using　Bayesian　networks　and　nonparametric　regression.　Pacific　Symposium　on　Biocomputing,　1,　175-186
Imoto,　S.,　Higuchi,　T.,　Goto,　T.,　Tashiro,　K.,　Kuhara,　S.　and　Miyano,　S.　(2003)　Combining　microarrays　and　biological　knowledge　for　estimating　gene　networks　via　Bayesian　networks.　Computational　biology,　2(1),　77-98.
Jackson,　A.L.,　Pahl,　P.M.,　Harrison,　K.,　Rosamond,　J.　and　Sclafani,　R.A.　(1993)　Cell　cycle　regulation　of　the　yeast　Cdc7　protein　kinase　by　association　with　the　Dbf4　protein.　Molecular　and　cellular　biology,　13(5),　2899-2908.
Jong,　H.D.　(2002)　Modeling　and　simulation　of　genetic　regulatory　systems:　A　literature　review.　Computational　biology,　9(1),　67-103
Kim,　S.　Y.,　Imoto　,S.　and　Miyano,　S.　(2003)　Inferring　gene　networks　from　time　series　microarray　data　using　Dynamic　Bayesian　Networks.　Briefing　in　bioinformatics,　4(3),　228-235.
Kim,　S.Y.,　Imoto,　S.　and　Miyano,　S.　(2004)　Dynamic　Bayesian　networks　and　non　parametric　regression　for　nonlinear　modeling　of　gene　networks　from　time　series　gene　expression　data.　Biosystems,　75,　57-65.
Koc,　A.,　Wheeler,　L.J.,　Mathews,　C.K.　and　Merrill,　G.F.　(2003)　Replication-independent　MCB　gene　induction　and　deoxyribonucleotide　accumulation　at　G1/S　in　Saccharomyces　cerevisiae.　JOURNAL　OF　BIOLOGICAL　CHEMISTRY,　278(11),　9345-9352.　
Le,　P.P.,　Bahl,　A.　and　Ungar,　L.H.　(2004)　Using　prior　knowledge　to　improve　genetic　network　reconstruction　from　microarray　data.　In　silico　biology,　4,　335-353.
Lee,　S.　J.　and　Siau,　K.　(2001)　A　review　of　data　mining　techniques.　Industrial　Management　&　Data　Systems,　101(1),　41-46.
Lelandais,　G.,　Crom,　S.　L.,　Devaux1,　F.,　Vialette1,　S.,　Church,　G.　M.,　Jacq,　C.　and　Marc,　P.　(2004)　YMGV:　a　cross-species　expression　data　mining　tool.　Nucleic　Acid　Research,　32,　323-325.
Leung,　Y.F.　and　Cavalieri,　D.　(2003)　Fundamentalof　cDNA　microarray　data　analysis.　Trends　in　genetics,　19(11),　649-659.
Liang,　S.,　Fuhrman,　S.,　and　Somogyi,　R.　(1998).　Reveal,　A　General　Reverse　Engineering　Algorithm　for　Inference　of　Genetic　Network　Architectures.　Pacific　Symposium　on　Bioinformatics,　3,　18-29.
Murphy,　K.　and　Mian,　S.　(1999)　Modeling　gene　expression　data　using　dynamic　Bayesian　networks.　Technical　Report,　Computer　Science　Division,　University　of　California,　Berkeley,　CA.
Nariai,　N.,　Kim,　S.,　Imoto,　S.　and　Miyano,　S.　(2004)　Using　protein-protein　interactions　for　refining　gene　networks　estimated　from　microarray　data　by　Bayesian　networks.　Pac　Symp　Biocomput,　336-46.
Narayanasamy,　V.,　Mukhopadhyay,　S.,　Palakal,　M.　and　Potter,　D.A.　(2004)　TransMiner:Mining　Transitive　Associations　among　Biological　Objects　form　Text.　journal　of　biomedical　science,　11,　864-873.
Ong,　I.M.,　Glasner,　J.D.　and　Page,　D.　(2002)　Modeling　regulatory　pathways　in　E.coli　from　time　series　expression　profiles.　Bioinformatics,　18,　241-248.
Shmulevich,　I.,　Dougherty,　E.R.,　Kim,　S.　and　Zhang,　W.　(2002).　Probabilistic　Boolean　Networks:　A　Rule-based　Uncertainty　Model　for　Gene　Regulatory　Networks.　Bioinformatics,　18(2),　261-274.
Smolen,　J.S.,　Butcher,　B.,　Fritzler,　M.J.,　Gordon,　T.,　Hardin,　J.,　Kalden,　J.R.,　Lahita,　R.,　Maini,　R.N.,　Reeves,　W.,　Reichlin,　M.,　Rothfield,　N.,　Takasaki,　Y.,　van　Venrooij,　W.J.　and　Tan　,E.M.　(1997)　Reference　sera　for　antinuclear　antibodies.　II.　Further　definition　of　antibody　specificities　in　international　antinuclear　antibody　reference　sera　by　immunofluorescence　and　western　blotting.　Arthritis　Rheum,　40(3),　413-418.
Torgeir,　R.H.,　Astrid,　L.　and　Jan,　K.　(2002)　Learning　rule-based　models　of　biological　process　from　gene　expression　time　profiles　using　Gene　Ontology.　Bioinformatics,　19,　1116-1123.
Raychaudhuri,　S.,　Sutphin,　P.D.,　Chang,　J.T.,　and　Altman,　R.B.　(2001)　Basic　microarray　analysis:　Grouping　and　feature　reduction.　Trends　in　Biotechnology,　19,　189-193.
van　Someren　E.P.,　Wessels,　L.F.A.　and　Reinders,　M.J.T.　(2000)　Linear　Modeling　of　Genetic　Networks　from　Experimental　Data.　Intelligent　Systems　for　Molecular　Biology,　8,　355-366.
Webb,　G.I.　and　Zhang,　S.　(2005)　K-Optimal　Rule　Discovery.　Data　mining　and　Knowledge　Discovery,　10(1),　39-79.
Zou,　M.　and　Conzen,　S.D.　(2004)　A　new　dynamic　Bayesian　network　approach　for　identifying　gene　regulatory　networks　from　time　course　microarray　data.　Bioinformatics,　21(1),　71-79.
Cui,　Z.,　Horecka,　J.　and　Jigami,　Y.　(2002)　Cdc4　is　involved　in　the　transcriptional　control　of　OCH1,　a　gene　encoding　alpha-1,6-mannosyltransferase　in　Saccharomyces　cerevisiae.　Yeast,　19(1),　69-77.
Sherlock,　G.　and　Rosamond,　J.　(1993)　Starting　to　cycle:　G1　controls　regulating　cell　division　in　budding　yeast.　Microbiology,　139(11),　2531-2541.