真核细胞中,基因的调控以及精准表达对于生物的生命活动起着十分关键的作用。而研究增强子与启动子相互作用（Enhancer-Promoter Interactions,EPIs）的关系有助于人们理解基因调控关系,进而揭示与疾病相关的基因,为疾病诊疗提供新思路和新方法。传统的生物检测方法的实验成本高、耗时长,且受分辨率的限制,难以精确鉴定单个EPIs。通过计算方法来解决生物问题已成为近年来的研究热点,近些年来也有一些人做了使用深度学习算法做了EPIs预测的尝试并取得较好的效果,此类方法是通过复杂的网络结构主动学习序列特征和空间结构,进而准确预测EPIs。超级增强子是一种特殊类型的增强子,它是由具有同等活性的增强子共同组成的增强子簇,通过转录因子共同作用于靶开关的启动子。所以超级加强子和启动子之间的相互作用（Super Enhancer-Promoter Interactions,SEPIs）具有和普通增强子和启动子相似的空间结构以及生物学特性。因此,本文将使用普通增强子与启动子的构造方式构造SEPIs数据集并利用近期在EPIs预测中较为热门的深度学习方法对SEPIs预测进行实验尝试验证。创新点如下:1.本文使用了染色质特征对六个细胞系中的SEPIs的数据构建,该方法构建的数据集相较于传统的通过近端基因连接所构建数据集的方法在特定细胞系能够表达更准确的活性。2.提出了数据增强的方法,将构建的阴性集约为阳性集的20倍的不平衡的SEPIs数据集进行数据增强,使得阳性集数据扩大20倍从而得到一个平衡的数据集。并将该数据集进行训练测试,从而更加严谨的验证了深度学习算法在SEPIs中的应用可行性。3.目前人们普遍只能通过使用高通量实验检测方法来进行SEPIs的检测,然而该技术在成本和耗时中仍然存在着一定局限性,,深度学习算法可以将具有一定潜在特征联系却难以仅凭肉眼找到其中联系的领域的识别,本文将使新兴的计算机领域深度学习的方法对SEPIs进行预测,将超级增强子和启动子的数据序列信息送入三层卷积层进行特征提取并将特征融合并通过Sigmord函数对数据进行预测。本文所提出的深度学习算法,使用普通的卷积层以及DNA序列信息便可以实现染色质关系的预测,在不平衡的数据集合上实验结果的评价指标AUROC、AUPR值分别在0.92-0.95以及0.91-0.94之间的不错效果,但是由于SEPIs的数据量较小已经高度不平衡的情况故可能在训练中存在模型侧重学习阴性集的效果;虽然将数据做了数据平衡的数据增强处理后各项评价指标却为达到0.6但是仍然可以证明在SEPIs预测问题上,深度学习是可以学习到序列信息的特征值;同时我们发现,当使用更多的数据即所有细胞系的数据做训练时所得到的结果会有0.001左右的提升,说明更多的数据能够使模型训练的更好。