DNA的N4-甲基化和复制起始位点都是常见且重要的表观遗传学机制。其中,N4-甲基胞嘧啶是广泛存在于原核生物中的一种重要的甲基化修饰,有研究发现它在调节DNA复制、参与限制性修饰系统、保护宿主DNA不被破坏等方面发挥着重要作用。因此,准确识别N4-甲基化位点对了解生物功能和治疗基因疾病具有重要意义。DNA复制是细胞中最重要的生命活动之一。虽然各个物种之间的复制机制有所不同,但它们也有一些共同之处,比如DNA复制起始位点。因此,建立一个强大的识别模型来预测DNA复制起始位点对于进一步了解细胞分裂过程中的基因表达和调控具有重要意义。尽管在之前研究中,已经构建了许多计算机模型来识别DNA的N4-甲基化位点和复制起始位点,但根据最终的结果来看其预测性能并不理想。随着集成学习的快速发展并成功应用到各个领域,在下面的研究中我们将采用集成学习的相关方法构建识别模型,以下是本文的主要研究成果:（1）利用集成学习梯度增强决策树作为特征选择方法构建N4-甲基化位点的识别模型。首先,利用多源特征提取方法将生物序列转化为数字向量,这些数字向量包括序列信息特征,Ring-function-hydrogen-chemical属性特征以及DNA理化性质特征。随后,在特征选择和分类部分,我们分别采用了集成学习算法与其他的机器学习算法进行实验。通过大量实验,最终成功利用集成学习算法GBDT作为最终的特征选择方法,SVM作为分类器去构建N4-甲基化位点的识别模型。在10折交叉验证下,六个数据集的准确率分别是0.851、0.859、0.801、0.87、0.859和0.901。通过与其他模型方法的比较,其结果表明本文构建的模型是可行的。（2）利用Stacking算法构建分类器去识别DNA复制起始位点。首先,利用Ringfunction-hydrogen-chemical属性和DNA二核苷酸空间自相关这两种特征提取方法获取生物序列的结构信息和理化性质信息,然后利用线性支持向量机作为特征选择方法获得最优子集,最后利用Stacking算法构建最终的分类器。其中,Stacking算法的基模型包括RF、MNB、ET、LR、SVM。在10折交叉验证下,两组数据集上的准确率分别达到了93.85%和96.70%。同时,我们使用一个独立数据集来验证预测模型的泛化能力,其准确性也达到89.90%。另外,为了进一步说明Stacking模型的优势,将Stacking模型与其基分类器模型,本章提出的识别方法和其他预测方法分别进行了比较,两者都显示出了Stacking模型的优越性。通过上述的讨论,说明了本实验提出的基于Stacking模型的预测器是一种有竞争性且新颖的识别DNA复制起始位点的工具。