表观遗传学是遗传学的一个重要分支,研究的是非DNA序列改变引起的可遗传变化的问题,重点集中在不改变基因序列的情况下,基因活性如何被调控的问题。表观遗传学的研究主要包括DNA、RNA和蛋白的修饰及相互作用对基因表达的影响,进一步的对生物性状和遗传的影响。由于表观相关的基因表达极易受到环境影响,具有时空特异性,因此表观遗传的现象在实验中很难被大规模的重复观测和研究,其调控机制也相对难以探索。但是我们不能否认表观遗传的重要性,它不仅与人类的发育、衰老和疾病息息相关,而且还是现代生物进化论的一部分,对表观遗传中调控机制的揭示是目前生命科学中迫切需要解决的问题。在本研究的第一部分工作中,我们基于大规模并行报告阵列的实验数据,以深度学习技术为基础,构建不同实验条件下的调控序列活性预测模型,并将其与基于k-mer和SVM技术的经典方法进行比较,我们的模型具有一定的优势。我们以8:1:1的比例划分训练集,验证集和测试集,在4种不同的实验环境中分别构建了深度学习模型。结果表明:在SV40P启动子条件下的Hep G2细胞实验中,模型具有最高的准确率0.869,精度为0.902;在SV40P启动子条件下的K562细胞实验中模型准确率仅为0.726,精度为0.830;在min P启动子条件下的Hep G2细胞实验中,模型准确率为0.813,精度为0.900;在min P启动子条件下的K562细胞实验中,模型准确率为0.824,精度达到0.926。相比于gkm-SVM方法的最新模型LS-GKM模型,我们的模型效果更好,在精度上有明显优势。在以上4组环境的模型,我们的模型精度分别超过LS-GKM模型15%、17%、4%和11%,而且我们的模型结构更加灵活,在高性能计算机中训练耗时更短,有更大的发展潜力。我们进一步从深度学习模型中分析出与调控活性预测可能相关的转录因子,进一步阐明了深度学习模型的有效性。本研究的第二部分工作是关于非编码小RNA的研究。非编码小RNA是表观遗传学中的另一类重要调控元件,主要进行基因转录后的调控,其研究在近几年越来越受欢迎。据我们了解,目前几乎不存在非编码小RNA的引物设计工具,促使我们开发了非编码小RNA的在线引物设计工具和数据库（s RNAPrimer DB）。我们的在线工具提供了九种经过实验验证的非编码小RNA检测方法,并自动对设计结果中的引物或探针进行质量评估,计算出引物的熔解温度（Tm）,可能存在的二聚体（Dimer）和发卡结构（Hairpin）,以及在参考基因组上的特异性。目前数据库中共收录了531,306对mi RNAs引物和2,941,669对pi RNA引物,包括了大部分常见的非编码小RNA,我们的服务能够通过http://www.srnaprimerdb.com./或者http://123.57.239.141/进行访问。