Dada la relación regulatoria entre los genes suele ser no estacionaria, la suposición de homogeneidad no puede cumplirse al modelar con redes Bayesianas dinámicas (DBNs). Por esta razón, la suposición de homogeneidad en las redes Bayesianas dinámicas debería relajarse. Se han propuesto varios métodos para combinar múltiples procesos de cambio de puntos y DBNs con el fin de relajar la suposición de homogeneidad. Al utilizar una red bayesiana dinámica no homogénea para modelar una red de regulación génica, es inevitable inferir los puntos de cambio de los datos genéticos. Con base en este análisis, este documento propone primero un movimiento de nacimiento basado en datos (movimiento de nacimiento ED). El movimiento de nacimiento ED hace uso completo de la información potencial de los datos para inferir los puntos de cambio. Cuanto mayor sea la distancia euclidiana de la media de los datos en los dos componentes, más probable será que este punto de datos sea seleccionado como un nuevo punto de cambio por el movimiento de nacimiento ED. En resumen, la selección del punto de cambio es proporcional a la distancia euclidiana de la media en ambos lados de los datos. Además, se propone un método mejorado de cadenas de Markov Monte Carlo (MCMC), y el MCMC mejorado introduce el coeficiente de correlación de Pearson (PCCs) para muestrear el conjunto de nodos padre. Cuanto mayor sea el valor absoluto del coeficiente de correlación de Pearson entre dos puntos de datos, más fácil será muestrearlo. En comparación con otros modelos clásicos en datos de Saccharomyces cerevisiae, datos sintéticos, datos de la vía RAF y datos de Arabidopsis, el PCCs-ED-DBN propuesto en este documento mejora la precisión de la reconstrucción de la red génica y además mejora la convergencia y estabilidad del proceso de modelado.