N6-甲基腺苷修饰也称为m6A修饰,是一种广泛存在于真核生物的mRNA和长非编码RNA上的高度保守的转录后碱基修饰。研究表明m6A修饰与许多生物学过程有关,包括且不限于蛋白质的翻译与定位、mRNA的剪切和稳定、RNA的定位和降解等。因此,准确识别RNA序列上的m6A修饰位点具有非常重要的生物学意义。传统的湿实验方法检测RNA中的m6A修饰位点面临着诸多局限性,例如需要耗费大量的时间和金钱、实验处理的过程复杂以及难以进行大规模的位点识别等。近年来研究人员提出了多种基于机器学习的m6A修饰位点计算模型。在计算模型的构建中,序列特征编码方法的选择是影响其性能的关键因素,但是大多数的序列特征编码方法都是直接基于单个RNA序列提取特征,只有少数方法分别从正负样本集中提取统计信息,很少从整个数据集和从样本的关系之中挖掘更多有效的信息,样本相似性方面的分类特征信息没有被充分利用,因此计算模型的预测性能存在进一步的提升空间。基于上述问题,本文提出了一种基于传统序列特征和图嵌入信息的m6A修饰位点识别的计算方法。本文使用了m6A修饰位点识别的计算方法中常用的七种序列特征编码方法:核苷酸组成转换分布特征、k间隔核苷酸对频率特征、核苷酸物化性质密度特征、核苷酸对位置特异性特征、双谱贝叶斯特征、电子-离子伪势能特征和伪k元核苷酸组成成分特征。之后引入快速邻域相似度计算方法,基于序列特征构建了样本相似度网络,通过SocDim、node2vec和GraRep三种图节点嵌入算法学习网络中每个样本的图嵌入特征。最后将序列特征和图嵌入特征拼接为一个输入向量,基于CatBoost分类器训练了计算模型,将此计算模型命名为m6AGE。该方法首次在m6A修饰位点识别的计算方法中将传统序列特征编码方法和图节点嵌入算法结合起来,通过在样本相似度网络中使用三种图节点嵌入算法以无监督的方式充分学习每个样本的图嵌入特征,特征中包含了从数据集全局获得的样本与样本之间的潜在关系信息,因此图嵌入特征可以作为序列特征的重要补充进一步提升计算模型的分类性能。本文收集了四个m6A修饰位点数据集,这四个数据集共涉及三个物种:拟南芥、酿酒酵母和人类。利用这四个数据集,对计算模型的特征组合、分类器选择、与其他现有计算模型的比较和在正负样本不均衡的数据集上的性能等方面进行了对比实验,进一步验证了本文提出的方法在识别m6A修饰位点方面的有效性。为了使本文提出的模型能更方便地被研究人员们免费使用,本文基于提出的m6A修饰位点识别方法构建了一个在线预测系统（http://www.m6age.cloud）。