组蛋白修饰是生物体中普遍存在的一种现象,能够以不同的调控方式影响基因表达,且随着高通量测序技术的高速发展,大量的测序数据使得探究组蛋白修饰信号与基因表达水平之间的内在联系成为可能。组蛋白修饰通过改变DNA的空间结构或提供特异性的结合表面影响基因表达,研究组蛋白修饰对于加深对遗传物质表达方式的理解至关重要。本文以人体GM12878细胞系的十种组蛋白修饰数据以及基因表达数据为对象,基于统计学方法进行分析研究,主要包括以下四方面工作:(1)根据基因位点信息,定位并提取出组蛋白修饰数据中基因特定位点的特征信息,构建设计矩阵。以100bp为一个特征提取长度,结合基因在染色体上的位点信息,提取每个基因转录起始位点前4kbp和转录终止位点后4kbp的组蛋白修饰特征值。将组蛋白修饰特征数据与基因表达数据合并,为后续的进一步分析和处理做好铺垫。(2)基于相关系数、层次聚类方法,分析不同组蛋白修饰之间以及组蛋白修饰和基因表达水平之间的联系,以寻找组蛋白修饰潜在关联。首先对组蛋白修饰特征进行相关性分析,以发现不同组蛋白修饰之间存在的强相关性;接着分析了组蛋白修饰特征与基因表达水平之间的相关性,寻找强相关性变量,为后续建模分析做铺垫。最后通过层次聚类,寻找特征相近的组蛋白修饰信号,进一步明确这十种组蛋白修饰的组合模式。(3)基于支持向量机构建基因表达水平高低的分类模型。结合先前的相关性分析,构建了单一特征的组蛋白修饰预测基因表达水平高低的模型,并对模型性能进行评估;为进一步优化模型的分类效果,构建了一个更加全面的分类模型。(4)基于广义线性模型和主从模型,构建高精度的基因表达值预测模型。本次研究结合了响应变量数据中零膨胀的特点,提出了一种基于广义线性模型的主从模型,对基因表达值进行回归分析,与现有的多种回归算法进行对比,验证所提方法的有效性。本文基于GM12878细胞系的组蛋白修饰特征数据和基因表达数据,深入分析了两组数据之间的潜在联系,侧重于预测基因表达水平的模型构建。探究了十种组蛋白修饰中与基因表达强相关的特征,并构建了有力的分类器对基因表达水平的高低进行分类。并且充分考虑响应变量的特点,提出了具有高精度的基因表达水平值的回归模型,对研究者们进一步明确组蛋白修饰在调控基因表达过程中发挥的作用具有较大帮助。