表观转录学的兴起衍生出了诸多生物信息学分支,其中就有在生信研究中较为广泛的RNA化学修饰问题,该领域主要研究修饰位点的检测、测序以及不同修饰对生物遗传的影响。迄今为止,已有超过160种RNA化学修饰被发现,这些修饰对RNA的配对、剪接翻译以及转录稳定性方面都有着重要影响。而在信息技术发展前,RNA化学修饰检测主要依赖于高通量测序技术和质谱技术等实验方法,这些方法虽然能检测到修饰位点,但实验所耗费的时间和经济成本普遍较高,检测效率较低。因此开发计算机算法检测RNA化学修饰是必要的。另外,在测序问题中非平衡数据的测序又是重难点,因Ferrostatin-1使用方法为传统机器学习模型大多适用于平衡数据,而本课题在两种RNA化学修饰(m6A和m6Am)的序列中获得重要特征,利用深度学习模型的类权重处理非平衡数据,均表现出了良好的预测性能。N~6-甲基腺苷(m6A)是一种RNA转录后修饰,是典型的RNA甲基化修饰之一,主要在m RNA编辑、降解等方面发挥重要作用。针对m6A,本课题提出了一种基于多分支型CNN的m6A位点预测模型m6A-CNLs,该模型首先采用三种编码方式编码RNA序列,再将三种编码信息分别输入到三个卷积神经网络模型(CNN)中获得三组新的特征,然后再将三种特征拼接并入新的特征空间,最后进行分类预测,另外我们在每个CNN中加入了LSTM模型,用于捕获前后文信息。最终在该模型下,本课题研究的m6A非平衡数据集在独立测试集上取得Sn=0.782;Sp=0.968;ACC=0.951;MCC=0.719,在交叉验证上m6A-CNLs模型也显示出了良好的性能,充分说明该模型在m6A位点预测上效果显著可靠。N6,2’-O-二甲基腺苷(m6Am)是一种较新的RNA可逆修饰,对m RNA的生命过程有着重要影响,但现阶段对m6Am的生物学功能探索还不够。所以本课题将Transformer和双向门控循环单元(Bi-GRUgut micobiome)有机结合,利用顺序自然数编码提取特征,提出了一种新的端到端“双胞胎”深度学习网络m6Am Twins。与很Panobinostat细胞培养多算法相比,该模型在两组非平衡数据集上的性能均有明显提升,在独立测试集上全转录本数据的Sn、Sp、ACC、MCC分别为0.709、0.921、0.902、0.53,成熟RNA数据的Sn、Sp、ACC、MCC分别为0.645、0.945、0.918、0.545。另外通过训练集的交叉验证结果,进一步说明了该模型具有良好的泛化能力。本课题研究的m6A和m6Am位点,都是目前RNA化学修饰位点中的热门,同时本课题从生物特性和进化规律角度出发,开发了基于两种修饰位点非平衡数据下的预测模型,为该领域非平衡分类以及RNA化学修饰的生物学功能研究提供了一定的帮助。