RNA在基因的编码、解码、调控和表达中起着重要的生物学作用,本文主要利用传统机器学习和深度学习等算法对RNA相关的几种重要功能位点进行了研究,主要包括环状RNA与RNA结合蛋白(RBP)的结合位点预测,可改变碱基互补配对的RNA假尿苷(Ψ)位点预测,N7-甲基鸟苷(m7G)位点预测以及RNA干扰相关的昆虫表皮蛋白CPR家族分类。具体的研究内容如下:(1)与传统的线性RNA(包含5’和3’端)不同,环状RNA(circRNA)是一种具有闭合环结构的特殊RNA。为了更好地理解环状RNA的调节功能,需要深入了解环状RNA与RBP的相互作用机制。本文基于双输入的集成结构的神经网络,建立了环状RNA与RBP结合位点的预测模型PASSION。集成模型结构由两部分组成,一部分是标准的神经网络,其输入是增量特征选择和极端梯度提升(XGBoost)筛选六种编码方式后的特征子集;另一部分是卷积神经网络(CNN)和长短期记忆网络结构(LSTM),其输入是基于密码子的堆叠编码特征。37组基准测试实验表明,PASSION在识别环状RNA和RBP结合位点方面具有很强的竞争力。(2)针对Ψ修饰的特异性,本文提出了一种基于集成学习的预测RNA的Ψ修饰位点的方法,称为EnsemPseU。首先根据五种序列编码方法提取了特征,并利用卡方特征选择降低特征维数并去除冗余信息。基于选择后的优化特征,结合支持向量机、极端梯度提升、朴素贝叶斯、K近邻算法和随机森林构建了集成的预测模型。10折交叉验证和独立测试的检验结果表明,EnsemPseU在分类准确率方面优于已有的模型。(3)N7-甲基鸟苷(m7G)是一种带正电的mRNA修饰,对基因的高效表达和细胞的存活至关重要,利用生物信息学方法鉴定转录体m7G位点已经成为重要的辅助手段。本文基于XGBoost算法和六种不同的序列编码方式,开发了一种新的预测模型XG-m7G来识别RNA的m7G位点,并通过模型解释算法SHAP挖掘出了对识别m7G位点的重要特征。(4)本文应用单个氨基酸组成和氨基酸对组成特征,构建了基于卷积神经网络的预测模型,用以识别昆虫表皮蛋白的CPR家族序列。