یکی از اهداف اصلی علم نوظهور بیوانفورماتیک، درک فرایند تنظیم ژن در موجودات مختلف است که در چند سال اخیر مساله مهندسی معکوس در مدلسازی و شناسایی شبکه های تنظیم کننده ژنی با استفاده از داده های بیان ژن محور بسیاری از پژوهش ها قرار گرفته است. از آن جا که فرآیند تنظیم ژن ها در سطح سلولی یک روند دینامیک و پویا است، بر این اساس شبکه های عصبی به دلیل قابلیت آموزش و تنظیم بر اساس داده های آموزشی و سیستم های فازی به دلیل قابلیت تفسیرپذیری، الگوریتم های مناسبی جهت این نوع محاسبات شناخته شده اند. در پایان نامه پیش روی، روش هایی برای پیش بینی ارتباطات پیچیده میان ژن ها انجام شده است که مبنای شبکه های عصبی-فازی دارد. هم چنین روشی جهت استخراج روابط از روی داده های ریزآرایه پیشنهاد شده که ساختاری نوین پویا و همراه با بهینه سازی دارد. روش پیشنهادی، ژنهایی که بیشترین تاثیر بر هم دارند را به عنوان ژنهای تنظیم کننده می یابد و نوع روابط آنها شامل اثر سدکنندگی، فعال-کنندگی و یا خنثی، مشخص می کند و در نهایت شبکه تنظیم ژنی بر اساس نتایج بدست آمده ترسیم می شود. اگرچه در ابتدا قصد بر آموزش شبکه با مجموعه داده های مربوط به اسید فسفاتازهای یک گیاه خاص بود، اما به دلیل عدم دسترسی به مجموعه داده نامبرده، به عنوان جایگزین، از داده های استاندارد ریزآرایه مربوط به 12 ژن شاخص موثر در مدت سیکل جوانه زدن نوعی مخمر استفاده شد. این داده ها شامل نمونه های جمع آوری شده در نقاط زمانی مختلف از سیکل سلولی است که جهت نمایش خروجی استخراج شده و در نتیجه تعیین بازدهی با مقایسه روابط بین ژنی بدست آمده تجربی، استفاده شده است. مجموعه داده ها به ترتیب شامل alpha با 18 نقطه زمانی و cdc15 با 24 نقطه زمانی است. فعل و انفعالاتی که از میان مجموعه ای از ژنهای مشخص، با نقش تنظیمی در طول چرخه سلول، حاصل شده است با نتایج پژوهشی بیولوژیکی پیشین، تحت معتبرسازی قرار گرفته اند. نتایج شبیه سازی نشاندهنده آن است که با اجرای روش پیشنهادی، 15% از تعداد قوانین استخراج شده جهت بخشبندی فضای ورودی- خروجی کاسته شده و این منجر به کاهش شدید محاسبات می شود، در حالیکه میزان مجموع مربعات خطای الگوریتم نیز در مقایسه با نزدیکترین روش از لحاظ الگوریتم، کاهش یافته است.