影响基因转录与表达的非编码序列调控元件（non-coding regulatory elements,NCREs）,在细胞分化和生命进化的过程中起着极其关键的作用,与基因组空间结构也有着密切关联,它们的变异往往也伴随疾病的产生。因此鉴定NCREs是研究生物进化发育和人类疾病的重要方向。随着基因组学三次浪潮的推进以及生命大数据的产生,机器学习方法在生物数据上的应用得到了广泛普及。该方法可以更好更快地挖掘NCREs的关键特征,从而准确识别重要的调控元件。而沉默子（silencer）元件和边界元件（boundary element）,作为NCREs中的一种,对基因的转录调控都有着各自的影响。因此在本文中,本研究利用机器学习方法开发了识别拓扑结构域（Topologically Associating Domain,TAD）的边界以及基因组中沉默子元件的预测模型,并在全基因组范围内实现了应用。拓扑结构域（TAD）作为基因组三维结构中的基本单元,在转录调控和多种生物学功能上扮演着重要作用,而相邻TAD的边界区域则起着维持结构稳定和隔绝邻近TAD调控的功能。本文首先关注TAD边界元件,发现至今大多数识别TAD边界的软件算法基于高通量染色质构象捕获技术（High-throughput chromosome conformation capture,Hi-C）数据,对TAD边界的关键特征研究,以及这些重要特征是否适用其他细胞系,仍然是未知的。为探讨TAD边界目前存在的问题,本文通过随机森林模型以及基于DNA序列信息与表观遗传特征信息提出了pTADS方法,在七个细胞系中分析TAD的边界元件。沉默子元件通常被认为是一段具有使基因失活的序列,对转录调控以及细胞命运的决定有着关键作用。由于时间周期和经费上的局限性,通过高通量实验鉴定沉默子的方法无法应用到全基因组。而现阶段的沉默子预测模型大多关注单一特征,对复杂沉默子的兼容性不佳。针对沉默子的这些问题,本研究提出序列层次的表观遗传修饰特征,利用并联卷积神经网络,开发了高效和快速预测沉默子的模型。本文对边界元件和沉默子元件的具体研究结果如下:1.通过对TAD边界特征的系统分析,发现了几种DNA-蛋白质结合印迹信息在多个细胞系的边界元件中都是重要的,如CTCF、H3K36me3、H4K20me1、H3K4me3和H3K9me3,并且这些共享特征对TAD边界的识别和TAD边界强度的表征也很关键。2.基于pTADS方法在全基因组范围内预测的TAD边界,有90%被基于HiC数据的算法软件识别的TAD边界验证,这些结果说明了pTADS方法的有效性和稳定性。3.本研究主要在K562（白血病细胞）和HepG2（人类肝癌细胞）两个细胞系中的染色质开放区域做了系统的沉默子预测分析。与现今基于序列的模型相比,本研究把模型的预测精度从AUC=0.82提高到了AUC=0.89。对不同实验得到的沉默子,本研究的敏感性从0.3提高到了0.5。4.本研究发现,虽然不同细胞系的沉默子不具有基因组位置的保守性,但染色质状态以及富集的motif都具有抑制效应。综上所述,本文在TAD边界发现的这些特征的组合机制以及这些特征在TAD动态结构和TAD边界上的线性顺序,对未来TAD结构的研究工作提供了一些思路和启示。对于沉默子元件的准确识别,表明了多特征融合可以有效解决沉默子复杂性的预测。本研究使用机器学习方法搭建模型,建立拓扑结构域边界元件或者沉默子元件的特征间关系,不仅提高了预测边界元件和沉默子元件的准确性,也为基因组非编码序列的调控元件与三维构象、生命进程的关系提供了理论研究基础。