随着高通量测序技术快速发展,人们获得了大量的DNA序列数据。然而采用生物实验分析这些序列比较耗时耗力,这些序列的结构和功能数据增长缓慢,因此急需新的方法处理这些数据。本文基于DNA的序列信息(碱基组成信息、理化属性信息和碱基位置信息),结合机器学习方法对参与基因表达的三种DNA调控元件(DNase I超敏感位点、增强子和启动子)和影响DNA复制的重组热点进行研究。DNase I超敏感位点是染色质上容易被DNA酶I降解的区域,它与很多基因调控元件有关。现有方法采用单一特征识别DNase I超敏感位点,限制了预测效果。针对这一问题,本文采用三种不同的特征提取方法(k元核苷酸组成、反向互补k元核苷酸组成和伪二元核苷酸组成)提取多种序列信息,结合随机森林构建基分类器,同时采用加权求和投票表决的集成学习策略,进一步提高DNase I超敏感位点的预测效果。本文进一步对与DNase I超敏感位点有关的两个比较重要的顺式作用元件(增强子和启动子)展开研究。在增强子识别研究中,本文采用伪k元核苷酸组成方法提取增强子的序列信息,并结合支持向量机构建两层预测模型,进一步对增强子中的强增强子和弱增强子进行预测,并取得了较好的预测效果。增强子能够增强基因的转录速率,而启动子能够控制基因表达的起始时间和表达程度。在启动子识别研究中,本文基于序列位置信息和伪k元核苷酸组成提取启动子的特征,并使用随机森林和集成学习策略构建预测模型。基准数据集和独立测试集上的性能评估结果表明,本文提出的方法具有较高的预测准确率,而特征分析的结果进一步验证了该特征提取方法的有效性。本文还对DNA复制过程中影响物种进化的重组热点进行了研究。本文提出伪k元核苷酸组成和二元核苷酸自动交叉协方差两种特征提取方法,结合支持向量机构建多个基分类器。对基分类器进行近邻传播聚类,保证了基分类器具有较好的性能并且它们之间具有较大的差异性。基准数据集上的实验结果表明,我们的方法较其他方法预测准确率具有一定程度的提高。