癌组织和癌旁组织的DNA甲基化与癌症的发生和发展密切相关,在某些情况下,难以大规模获取癌组织和癌旁组织的DNA甲基化数据是探索DNA甲基化在癌症病因和发病机制中作用的一大障碍。采用计算的方法预测癌组织或者癌旁组织的DNA甲基化对于理解癌症的发生、评估癌症的风险十分重要。在本文中,我们建立了机器学习模型,能够预测癌组织和癌旁组织全基因组Cp G位点的DNA甲基化。此外,对DNA甲基化连续表达值的预测,分辨率更高且能够更好地用于表观基因组分析和研究。主要研究内容如下:（1）基于单位点方法的DNA甲基化预测模型。本研究收集了TCGA数据库肾透明细胞癌（KIRC）和甲状腺癌（THCA）的DNA甲基化数据集,基于配对的癌组织和癌旁组织的DNA甲基化数据集,我们构建了单位点方法的DNA甲基化预测模型,并且采用十折交叉验证方式评估每一个Cp G位点上建立的模型的预测性能。对于KIRC数据集,总体上预测和真实组织间的位点水平的平均R~2（相关系数的平方）从原始的0.90增长到了0.96,平均绝对误差由原始的0.069降低到了0.043,在THCA数据集上有类似的提升。此外,我们观察到在使用线性回归模型进行预测时,可以至少降低70%Cp G位点的平均绝对误差。（2）基于多位点方法的DNA甲基化预测模型。考虑到在基因组中,一个Cp G位点与周围或者更远距离的Cp G位点是相互关联的,我们提出了一种使用多个相关Cp G位点来预测目标组织中DNA甲基化水平的框架。对于每个选定的目标Cp G位点,我们使用训练数据集选择N个与目标Cp G位点相关的特征子集,之后基于选择的多个相关Cp G位点构建模型来预测目标Cp G位点的DNA甲基化。结果表明所构建的XGBoost模型在大多数情况下取得了更好的预测性能。（3）预测模型的生物医学应用。本文通过差异甲基化分析、通路分析和DNA甲基化与临床病理参数的统计分析说明了所建模型的生物医学应用。本研究基于机器学习算法建立了癌组织和癌旁组织DNA甲基化数据的数学模型,十折交叉验证的结果表明了所提出的算法提高了组织间甲基化数据预测的准确性,建立的多位点模型进一步提高了DNA甲基化的预测精度。此外,通过生信分析说明了模型的潜在生物医学应用。这项研究可能从表观遗传学角度为癌症研究提供新的见解。