如今越来越多的行业进入数据驱动的时代,生物学同样如此。在过去的十几年间,生物序列数据实现了巨幅的增长,进而促进了生物学中多个领域的蓬勃发展。在这些领域的发展中,许多生物学问题如增强子识别,蛋白质远同源性检测,启动子识别等有待研究者们深入地进行探索研究。因此,通过从海量的生物序列中挖掘生物基因的隐含特征,进而研究生物基因的结构以及功能,是一个绝佳的探索途径。传统对增强子和启动子的识别使用的是生物实验等方法,这些方法耗时耗力,在庞大的生物序列条件下,无法满足研究的需要。因此,本文通过研究增强子和启动子的序列信息,使用特征向量提取方法挖掘序列信息,并结合机器学习算法构建模型进行研究分析。本文主要内容包括:本文基于序列信息以及集成学习策略提出了识别增强子及其强度的方法iEnhancer-EL。其中通过使用不同的特征提取方法提取特征向量,然后通过支持向量机算法构建模型。之后对模型进行聚类,并从中选择关键模型,最后使用线性加权集成的方法进行集成操作构建集成模型。得到最终模型之后,通过使用多项测量指标,对比该方法和其他方法之间的性能,方法iEnhancer-EL对增强子及其类型的识别性能优于目前最优预测方法。本文提出了基于平滑策略的启动子及其类型识别方法iPromoter-Kmer和iPromoter-PseKNC。这两种方法利用了基准数据集中的序列之间保守性值的差异性,将DNA序列划分为几个子序列,然后分别在每个子序列上提取特征向量并线性合并。其中使用了两种特征提取方法,Kmer方法和伪k元核苷酸组成方法。通过调整每一个特征提取方法的超参数,得到不同的特征向量,然后结合支持向量机算法构建模型,最终选择出预测性能最优的模型。这两种方法的预测性能均优于现有预测方法。对于启动子及其类型的识别,本文进一步提出基于集成学习的启动子及其类型识别方法iPromoter-2L2.0。本方法在基于平滑策略划分得到的子序列上,使用滑动窗口进一步挖掘序列的局部信息,然后使用Kmer方法和伪k元核苷酸组成方法结合支持向量机构建多个模型。然后使用改进的度量规则将模型聚类,最后选择关键模型用于集成学习。iPromoter-2L2.0方法对于启动子及其类型的识别,实现了比iPromoter-Kmer和iPromoter-PseKNC更好的预测性能。