染色质三维结构在基因调控、DNA复制、DNA损伤修复及疾病中起到关键作用,通过折叠将线性基因组上本不相邻的基因位点拉近从而支持远程交互发生。为从全基因组层面研究染色质空间结构与调控关系,高通量染色体构象捕获技术（High-through chromosome conformation capture,Hi-C）应运而生。通过对细胞系中蛋白介导的邻近DNA片段高通量测序,获得全基因组范围内染色质相互作用图谱,从而研究基因组三维结构在基因调控和其它细胞基本功能中的作用。分析Hi-C数据是研究染色质三维结构的基础,其中度量Hi-C数据间的相似性并提取有效差异区域是常用方法之一。相似性量化作为基本的质量控制工具评估Hi-C实验可重复性,保证Hi-C数据科学有效,引导实验重复或深入进行。与此同时,了解重复样本间的相似性也是差异分析中的重要步骤,是可靠识别具有生物意义差异区的前提条件。差异区域的识别是从三维基因组角度解释不同状态细胞生物功能差异的重要方法,例如分析健康和疾病细胞间染色质调控差异,引导下游实验分析。然而,复杂的实验步骤所引入的技术偏差和DNA序列驱动的噪声对Hi-C数据间系统比较提出一定挑战,现有方法在计算效率、准确性及解释性上仍有不足之处。据此,本文提出了一种基于域骨架的Hi-C数据比较方法,使用高斯混合模型聚类和KD-Tree等方法,经筛选、合并及对齐等步骤,得到能够刻画整个Hi-C交互作用图的显著交互点集合,定义为域骨架。结合相似性计算公式,将不同Hi-C数据域骨架吸收,计算相似性量化值。通过高斯滤波计算域骨架局部相对差异分数,根据阈值筛选显著差异点。从而,基于域骨架完成Hi-C数据相似性度量和差异区域鉴别。域骨架的引入,有效减少了噪声的干扰,降低了高分辨率数据的计算规模,提升差异点有效性和可解释性。为验证域骨架的有效性和可解释性,将域骨架和染色质结构loop一致性进行比较,得出平均重合比例达97.9%。针对相似性度量,与HiCRep和GenomeDisco方法在不同数据规模、不同分辨率的Hi-C数据上进行比较,发现波动幅度低10%至70%不等,说明本文方法在稳定性上优于其它方法。在5kb数据下计算效率较GenomeDisco快50倍取得显著提升。针对差异区域检测,使用多种细胞真实Hi-C数据与Find和Selfish方法在检出的差异位点一致性达到75%,对应基因一致性达85%。此外,根据差异点与TAD、基因之间重叠比例分析、差异区域基因富集分析及差异区域中心显著性分析说明本方法在准确率和可解释性上均优于其它方法。与此同时,利用泊松分布生成Hi-C模拟数据并预置不同显著强度差异点与上述方法比较,结果显示本文方法在查全率和准确率上均优于其它方法。进一步,通过比较平均运算时间,发现本文方法仅为Find方法的0.79%,较Selfish方法速度提升8.8%。通过以上实验表明,本文提出的Hi-C数据比较方法是一种具有较强准确性、稳定性、解释性和高效性的方法。