N6-甲基腺嘌呤(m6A)是指在氮-6位的腺苷核苷酸的甲基化修饰,它在一系列生物过程中起重要作用,如剪接,mRNA传输,mRNA合成和翻译过程等。随着m6A位点高分辨率数据集的建立,很多研究方法已经可以成功预测序列中的m6A位点。然而传统实验方法识别m6A位点耗时且成本很高,并且用于鉴定N6-甲基腺嘌呤位点的许多常规计算方法受数据规模的限制。利用通过高通量测序方法,多种物种的百万级m6A位点数据库得以建立,给了我们一个构建利用大规模数据驱动为优势的深度学习方法预测模型的机会。本文主要研究内容包括:(1)介绍了两个我们在识别m6a位点方面的前期研究工作,提出了基于多间隔核苷酸对位置特异性和支持向量机的机器学习预测模型和基于深度信念网络提取高层次序列特征表示并与传统特征结合识别m6a位点的预测模型。(2)引入四种RNA序列编码模式。本文分别提出四种序列表示的方法,包括one-hot编码和基于邻近位点状态编码的特征,Embedding词嵌入编码的特征和利用NLP词嵌入模型对基因序列进行迁移学习,将RNA序列分割成伪单词以学习向量空间的特征表示。(3)通过4种具有不同超参数和网络结构的一维CNN网络对四种不同的编码方案的基因序列位点数据进行分类。(4)使用第一层CNN卷积核扫描基因高频motif与现有的motif的对比分析,揭示深度学习在基因序列表示方面的可解释性和可视化。(5)开发在线N6-甲基腺嘌呤位点预测平台,支持多种编码和深度学习网络的预测模式,提供整理重编译的数据集,以便后续研究者使用。