随着高通量测序技术的革新,生物数据爆炸式增长,利用计算机技术实现生物大数据的实时分析处理成为越来越迫切的现实需求。本文围绕纳米孔测序中的碱基识别任务和下游蛋白突变预测任务展开研究。纳米孔测序信号由于噪声等原因随机错误率较高,电信号之间存在复杂的局部依赖关系,碱基识别难度大,现有碱基识别软件的速度远远落后于测序仪生成电信号的速度,针对上述问题,本文提出了一种基于长短距离注意力机制的准确快速识别测序碱基的方法,结合传统注意力模块和动态卷积模块,可同时提取测序信号的局部和全局特征信息,在9个细菌测试集上预测结果具有更高的读取准确率。在速度上,该方法支持半精度预测,训练和预测过程都可以通过多GPU环境实现并行加速,具有良好的可扩展性。基因组中的非同义单核苷酸多态性会引起蛋白质氨基酸的改变,而突变的稳定性研究一直是蛋白质组学领域的热点,基于已有的突变数据库,通过机器学习算法预测突变的热力学变化成为主流方向。现有的多数方法都依赖于难以获取的蛋白质三维结构信息,因此无法大规模应用。本文提出了一种基于极端梯度提升决策树的利用序列直接预测的方法,通过双向顺序特征选择算法从进化保守性、预测二级结构特征以及氨基酸理化性质三个方面提取特征并进行选择,结合同源蛋白交叉验证策略和并行网格搜索算法对特征和参数进行评估优化。在性能评估时,本文采用了四个独立测试集,测试结果表明,本文的方法始终优于其他基于序列的方法。本研究为基因组学、蛋白质组学等生物数据分析和处理流程中的关键部分提供了相关技术支撑,在未来研究中,我们将考虑多模式融合处理、结合大规模异构并行算法,为面向海量、异质、多模态生物大数据的信息挖掘和高效计算提供新的思路。