N6-甲基腺苷是一种常见且丰富的RNA甲基化修饰,与多种生命过程及疾病的发生密切相关。如何精确地鉴别m RNA序列中的m~6A修饰位点是开展m~6A修饰相关研究的重要前提。基于高通量测序技术的修饰位点鉴别从测序的建库到数据的分析均提出很高的要求,性价比低。因此,学术界设计出多种基于序列的m~6A修饰位点预测方法,大多先提取特征,再设计分类器实现位点预测。这类方法的分类性能严重依赖特征提取与序列表示的质量。随着自然语言处理领域针对序列特征提取与文本表示方法的不断发展,本文基于自然语言处理架构实现m~6A修饰位点预测。本文的主要工作和贡献如下:首先,本文针对CNN模型在处理RNA序列时只关注相邻信息,而长期依赖能力很差的问题,使用能更有效处理序列信息及长期依赖问题的Bi LSTM模型作为分类器。针对如何利用不同的特征编码方式更全面地表示RNA序列,以提高预测精度的问题,进一步研究并整合One-hot、RNA word embedding和Word2vec三种特征编码方法,最终构建Bi LSTM模型形成EDLm~6APred预测器。其通过One-hot编码和RNA word embedding编码表征m~6A位点在序列中的位置特异性信息,通过Word2vec编码依据碱基片段前后文关系提取的相关语义特征。实验结果表明基于不同特征编码方法的预测器在性能上存在互补效应。其次,本文针对EDLm~6APred预测器中Word2vec编码方式只考虑窗口内局部上下文特征的问题,提出改进的RNA序列特征提取方法RNA-Glo Ve,综合考虑碱基片段在窗口内的局部上下文特征和在整个序列中的全局特征。针对RNA-Glo Ve编码仍缺少位置信息特征的问题,进一步通过整合One-hot、RNA word embedding和RNA-Glo Ve特征编码的Bi LSTM模型,形成深度整合预测器RGEMP。实验对比发现,RGEMP有效提高m~6A位点预测的性能。最后,为便于相关研究者使用,本文针对EDLm~6APred及RGEMP两种预测器设计并提供在线预测的web服务器,供用户在线提交RNA序列完成m~6A修饰位点预测。该论文有图31幅,表12个,参考文献106篇。