随着后基因组时代的到来,使用机器学习方法对生物数据进行数据挖掘已经成为生物学研究的一种新方法,本课题主要利用新近提出的支持向量机算法,结合生物序列的特征提取(如经典的密码子使用偏性分析理论,理化性质等),解决生物信息学中一些有关的功能序列识别和分类的问题。G蛋白偶联受体属于跨膜蛋白的大家族,在药物设计中起着很重要的作用。本文通过提取序列的单氨基酸频率、双联氨基酸频率以及蛋白序列对应的mRNA序列的密码子使用偏性序列特征,结合支持向量机方法,对G蛋白偶联受体类别进行识别,并进一步对GPCR蛋白家族类别进行分类预测。我们首次利用核酸序列的信息(前人主要利用氨基酸序列信息),提取了密码子使用偏性的序列特征,并取得了很好的预测效果。研究基因组重组冷热点有助于了解减数分裂重组机制。结合支持向量机方法,本论文通过提取序列二联碱基特征以及密码子使用偏性的序列特征,独创性地对酵母基因组减数分裂重组冷热点区的ORF序列进行了分类,结果表明密码子使用偏性是很好的区分重组冷热点的统计量。水平转移基因在物种进化中起着很重要的作用。本论文中,我们人工模拟水平转移基因的数据,通过提取基因密码子使用偏性的序列特征,提取了序列密码子使用偏性以及二联碱基频率的特征,使用支持向量机的方法,来识别包氏螺旋体菌(Borrelia burgdorferi)、大肠杆菌(Escherichia coli)、蜡状芽孢杆菌(Bacillus cereus)三种物种基因组中的水平转移基因。结果表明,密码子使用偏性的序列特征能够很好的识别水平转移基因,我们提出,如果将前导链和滞后链上的基因区别对待,会取得更好的预测结果。利用已有文献报道的实验数据信息,我们对siRNA的抑制效率进行了预测。通过提取序列的二联碱基特征,结合支持向量机技术,我们取得的预测结果超过以往一些基于序列特征的打分算法。