DNA结合蛋白是一种由结构蛋白组成的复合型蛋白质,这类蛋白质在特定的核苷酸序列识别、DNA复制和重组、基因转录调控和其他DNA相关活性方面发挥着重要作用。而N6-甲基腺苷作为已知最丰富的RNA甲基化修饰之一,它与结构动力学、RNA定位和降解、选择性剪接、细胞分化、m RNA稳定性和翻译等生物过程息息相关。据研究表明,它还与多种疾病密切相关,例如:前列腺癌、急性髓系白血病、甲状腺肿瘤等。故对DNA结合蛋白和N6-甲基腺苷的研究具有重大而深远的意义。DNA结合蛋白位点与N6-甲基腺苷位点的分类预测是当前研究的重点课题,预测模型方法的研究更是重中之重。这些预测方法不仅能够帮助生物信息学领域的研究人员了解领域内容,而且还给予医疗科技方面极大的便利。本文从多源特征提取、机器学习算法及模型三个方面着重介绍,对所提出的新型预测方法进行讨论和研究,主要成果概括如下:（1）提出了一种新型DNA结合蛋白位点的预测方法:UMAP-DBP。首先,基于理化距离变换、PSSM的自互协方差和广义级数相关伪二核苷酸组成实现一级蛋白序列的特征提取。其次,使用均匀流形逼近和投影及特征重要性评分算法进行特征选择,两者存在递进关系。最后,采用带有折刀测试的自适应提升分类器来预测DNA结合蛋白位点。基准数据集BP1075和BP594的折刀测试获得了82.97%和82.14%的总体准确率,科恩卡帕值分别为0.66和0.64。实验结果表明,基于均匀流形逼近和投影与自适应提升预测DNA结合蛋白位点的方法可行且有效。同时这也是均匀流形逼近和投影首次应用于识别DNA结合蛋白位点的研究。（2）开发了一种新的基于梯度提升决策树和Stacking学习的N6-甲基腺苷位点预测方法:M6A-GSMS。为了实现精准预测,该方法从相关性、结构、理化性质和伪核糖核酸组成四个方面探索RNA序列信息。利用梯度提升决策树算法进行特征选择后,结合7种基础分类器构建Stacking学习模型。预测结果表明,与其他最先进的方法相比,M6A-GSMS对N6-甲基腺苷位点具有良好的识别性能。在拟南芥、黑腹果蝇、肌肉、酿酒酵母和人类数据集上的预测精度分别达到88.4%、60.8%、80.5%、92.4%和61.8%。该方法为N6-甲基腺苷位点的研究提供了一种有效的预测思路。