表观遗传学通过研究影响恒定DNA序列和可变基因表达模式之间信息流动的分子过程,提供了关于细胞分化以及生物体发育的新见解。DNA甲基化作为一种关键的表观遗传修饰,通过改变染色质结构、DNA稳定性以及DNA与蛋白质相互作用,从而调控基因表达。DNA甲基化检测技术的发展积累了海量数据,不同检测技术生成的甲基化数据从不同角度描述了DNA甲基化这一表观遗传修饰的生物学特征,为深入揭示DNA甲基化对生物体发育的调控机制提供了新的机遇。本文基于已有的DNA甲基化数据,通过研究相应的计算分析方法以探索DNA甲基化的生物学意义,挖掘DNA甲基化数据中蕴含的生物学价值。主要的研究内容包括全基因组位点甲基化水平的预测建模,差异甲基化位点的识别以及单细胞甲基化数据的聚类分析,具体如下:（1）针对当前DNA甲基化预测方法需求手动筛选或预定义特征的问题,提出一种基于深度卷积神经网络的全基因组位点甲基化回归预测模型MRCNN。MRCNN利用Cp G位点甲基化与邻近DNA序列模式之间的关联,以目标Cp G位点为中心,将其邻近的DNA序列编码为稀疏矩阵作为输入。通过构建针对DNA序列模式的二维卷积神经网络提取与位点甲基化相关的预测性特征,并结合连续损失函数实现目标Cp G位点甲基化水平的回归预测。多个数据集上的实验结果表明,MRCNN相比当前方法能够更准确地预测全基因组位点甲基化水平。此外,通过分析MRCNN训练过程中自动学习到DNA序列特征,发现了与甲基化状态相关的序列基序,其中部分基序与已知注释基序显著匹配,并可能在DNA甲基化的调控中起关键作用。（2）针对当前差异甲基化位点识别方法结果鲁棒性较差的问题,提出一种基于混合集成特征选择的鲁棒差异甲基化位点识别方法Hy DML。Hy DML综合考虑集成特征选择策略中的函数多样性与数据多样性,利用多种基本特征选择算法在多个数据子集上获取潜在的差异甲基化位点子集,然后通过聚合函数实现鲁棒差异甲基化位点的识别。将其应用到13种癌症相关的甲基化数据集上,Hy DML识别出的差异甲基化位点比其他方法能够更准确地区分正常和癌症样本,并且显示出更好的鲁棒性。此外,对Hy DML识别的鲁棒差异甲基化位点进行综合分析揭示了部分癌症具有相似的甲基化模式,并且发现多种癌症中共享的鲁棒差异甲基化位点能够作为潜在的泛癌生物标志物。（3）针对当前单细胞甲基化数据聚类方法仅靠单一距离度量描述细胞间甲基化差异关系造成聚类性能有限的问题,提出一种基于多距离谱嵌入融合的单细胞甲基化聚类方法SINCEF。SINCEF利用谱嵌入和矩阵融合,将多个基本距离度量定义的细胞间甲基化距离关系整合到一个新的距离度量中,以更高的分辨率量化细胞异质性,并结合层次聚类算法实现细胞类型辨识。多个真实单细胞甲基化数据集上的实验结果表明,SINCEF相比基于单一距离度量的方法显著提升了聚类精度。此外,得益于新的距离度量,SINCEF能够方便地基于细胞间距离矩阵直观地评估细胞亚群结构,提升细胞聚类结果的可读性。（4）针对当前单细胞甲基化数据聚类方法在不同数据集上聚类性能不稳定的问题,提出一种基于增强共识聚类的单细胞甲基化聚类模型sc Melody。sc Melody基于细胞间多种基本相似性度量的聚类结果,利用所提出的正则化策略和双重加权策略来改进传统共识聚类中对于共识矩阵的构造,以此重构细胞间甲基化相似性模式来聚类细胞。多个真实数据集与合成数据集上的实验结果表明,sc Melody实现了比当前方法更先进的聚类性能,并且在具有不同细胞数、集群数和Cp G缺失比例的数据集上展现出更好的聚类稳定性。此外,真实案例研究表明sc Melody能够在具有复杂细胞组成的大型数据集上识别稀有细胞亚群。