非编码RNA与多种生物机制过程密切相关,其突变和失调会诱导包括癌症在内各种疾病的发生。机器学习方法不仅可以减少资源消耗,还可以加速药物发现,因此,从机器学习角度分析RNA分子,有助于研究RNA的生物机制和功能。本论文主要以病毒-药物关联、lncRNA-蛋白质相互作用为研究对象,从以下几个方面提出机器学习模型和算法,从而为相关疾病的诊断与治疗提供有效线索。首先,基于正则化方法提出最小二乘法模型VDA-RLSBN,识别病毒-药物相互作用。本模型首先整合病毒的全基因组序列、药物的化学结构,分别使用MAFFT和RDKit计算病毒和药物的相似性。然后,结合二部图思想和邻居信息提出的正则化最小二乘法,预测新冠肺炎关联药物。实验结果表明,与五种代表性方法相比,VDA-RLSBN获得最高的AUC和AUPR值。最后,本模型对预测与新冠肺炎关联得分最高的几种药物与S蛋白/ACE2进行分子对接。分子对接结果表明,利巴韦林和瑞德西韦可能具有抗新冠肺炎的作用。其次,基于核融合思想提出逻辑斯蒂矩阵因子化方法VDAKLMF,为新冠肺炎筛选潜在药物。本模型先整合病毒和药物的信息以构建病毒与药物的相似核。然后,根据已知的病毒-药物关联数据和最近邻居信息,建立病毒和药物的高斯核,并融合高斯核和相似核。最后,基于核融合方法提出逻辑斯蒂矩阵因子化模型以识别可能的抗新冠病毒药物,并对推断出的抗病毒药物与S蛋白/ACE2的结合域进行分子对接,分子对接结果表明,瑞德西韦和利巴韦林可能具有抗新冠肺炎的作用。最后,基于深度学习理论提出深度森林模型LPIDF,识别lncRNA-蛋白质相互作用。本模型先整理五个数据集,分别基于四核苷酸组成和Bio Seq2vec提取lncRNA和蛋白质的序列特征。最后,建立具有级联森林结构的深度森林模型以预测lncRNA-蛋白质相互作用。实验结果表明,LPIDF具有很高的AUC和AUPR值。