m6A是一种在哺乳动物细胞中最普遍存在的甲基化修饰,在m RNA代谢、生理、病理等生命过程中发挥着关键作用。然而由于生命过程的复杂性,目前人们对存在于基因组不同位置的m6A甲基化位点具体功能是什么,各自与哪些生物学过程或哪些疾病相关,又如何参与这些生物学过程以及影响疾病发生、发展等细节尚不清楚。而这些细节有助于从系统层面揭示m6A在不同生命过程中的作用机制和机理,进而为m6A相关的药物研发以及癌症等复杂疾病的治疗提供重要的帮助。生物实验的方法解决上述问题,往往需要花费高昂的经济和时间成本。基于m6A修饰高通测序数据进行共甲基化模式聚类解析的生物计算方法,可以辅助生物实验解决上述问题,并节约经济和时间成本。然而,在此方面却存在缺少可靠数据集和有效挖掘算法等问题。针对上述问题,本文研究分析并构建了位点在不同实验条件下的甲基化修饰数据集,基于此数据集提出了不同聚类算法,从多个层面进行了m6A共甲基化模式挖掘,可为m6A在不同生命过程中调控细节的研究提供一定的帮助。本文的主要研究工作和创新如下:1)构建了69446个位点在32个实验条件下的m6A甲基化修饰数据集。针对当前数据集存在样本数量较少和位点精度不够的问题,本文研究分析了已知的Me RIP-Seq相关实验并搜集了相应的原始测序数据,通过数据质控、序列比对等一系列预处理过程,同时结合基于mi-Clip、m6A-CLIP等单碱基分辨率生物实验确定的位点信息,构建了来自9个独立研究的人类不同细胞系32个样本的Me RIP-Seq数据集。此数据集相比于当前数据集,融合了更多的生物样本,具有更高的位点精度。为了从多个层面进行m6A共甲基化模式挖掘,此数据集又被进一步处理为IP样本、input样本读段数数据和甲基化水平数据。此数据集为后续章节m6A共甲基化模式聚类分析提供了可靠有效的数据支撑。2)提出了基于矩估计的贝塔混合模型聚类算法（Moment-estimating-based Beta Mixture Model,MBMM）。针对传统的贝塔混合模型因采用求偏导法进行参数推断,无法直接在高维度小样本的m6A甲基化水平数据上进行聚类分析问题,本文通过在模型构建过程中引入矩估计的方法进行参数估计,实现了基于贝塔混合模型的m6A共甲基化模式的挖掘。MBMM基于EM算法框架,仿真实验中,该算法在四个数据集上的兰德指数均高于目前其它4种主流算法,表明MBMM算法能准确复现隐藏数据中的共甲基化模式。在真实的数据集上,MBMM发现了7个共甲基化模式。通路特异性分析以及酶底物特异性靶位点分析表明,这些模式分别不同程度的富集到了已知的受m6A显著调控的通路和m6A调控酶的特异性靶位点上。基因本体论富集分析表明,当保留每个模式中最为富集的前10个生物学过程术语时,发现7种模式中没有重复的生物学过程术语,说明7种模式又具有潜在的高度的调控特异性。对比实验结果表明,MBMM在真实数据上的聚类结果相对于其它主流的聚类算法更有生物意义。3)提出了基于贝塔混合分布的双聚类算法（Beta-mixture-distribution-based Biclustering Algorithm,BDBB）。MBMM算法虽然实现了从贝塔混合模型的层面进行m6A共甲基化模式的挖掘,但无法捕捉部分位点在部分条件下表现出的局部共甲基化模式。针对上述问题,本文通过定义双聚类结构并基于吉布斯采样的方法对MBMM算法进行改进,实现了从双聚类算法层面在甲基化水平数据上进行m6A局部共甲基化模式的挖掘。在仿真数据验证实验中,BDBB的技术指标recovery和relevance得分均为0.994,显著优于目前其它5种主流算法,比最好的Plaid算法分别高出0.327和0.28,可以准确复现隐藏在模拟数据中的局部共甲基化模式,表明BDBB聚类算法的有效性。在真实数据聚类实验中,BDBB发现了2个局部共甲基化模式,分别富集到了组蛋白修饰以及胚胎发育等生物学过程。生物意义分析表明,这两个模式均为有效的局部共甲基化模式,并且比MBMM算法的聚类结果更具生物意义。4)提出了基于贝塔二项分布的双聚类算法（Beta-binomial-distribution-based Biclustering Algorithm,BBM）。基于甲基化水平数据进行聚类时,需要把IP样本和input样本转换为位点的甲基化水平数据,此计算过程引入了新的噪声,造成了数据失真,从而降低了聚类结果的可靠性。针对上述问题,本文通过合理假设数据服从贝塔二项混合分布,实现了无需进行甲基化水平数据转换,就可以直接进行m6A局部共甲基化模式的挖掘。BBM采用吉布斯采样的方法进行参数估计,可以直接在IP样本和input样本读段数数据上同时进行双聚类操作。在仿真数据验证实验中,其技术指标recovery和relevance得分分别为0.995和0.996,显著优于目前其它5种主流算法,比最好的Plaid算法分别高出0.619和0.432,可以准确复现隐藏在模拟数据中的局部共甲基化模式,表明BBM聚类算法的有效性。在真实数据聚类实验中,BBM发现了2个有效的局部共甲基化模式,分别富集到RNA翻译,共价染色质修饰等生物学过程,对比实验结果表明,其聚类结果相对于BDBB更具生物意义。5)提出了基于数据筛选策略的贝塔二项分布增强双聚类算法（Enhancing Biclustering Algorithm Based on Beta-binomial Distribution,EBBM）。BBM虽然可以直接在IP样本和input样本读段数数据上进行局部共甲基化模式的挖掘,但其却无法有效去除IP样本读段数小于对应input样本读段数1.5倍的Me RIP-Seq测序数据噪声问题。针对上述问题,本文通过在BBM模型中引入数据筛选策略,提升了BBM算法对于噪声的识别能力。在仿真数据验证实验中,其技术指标recovery和relevance得分分别为0.998和0.997,显著优于BBM算法和目前其它5种主流算法,比最好的BBM算法分别高出0.338和0.337,可以有效识别并去除上述噪声。在真实数据聚类实验中,EBBM发现了两个共甲基化模式,分别富集到磷酸化的负调控,肽基赖氨酸甲基化等生物学过程。对比实验结果表明,EBBM的聚类结果相比较于BBM的聚类结果更具生物学意义。最后,本文对上述4种聚类算法发现的共甲基化模式及其生物意义GOE＿score指标、算法适用性等进行了评价分析。本文研究对于m6A在不同生命过程以及癌症等复杂疾病发生、发展过程中的作用机制、机理的研究,揭示生命奥秘及疾病的诊断治疗具有较大助益。本论文有图43幅,表19个,参考文献166篇。