随着后基因时代的到来和基因测序技术的飞快发展,人们获得了越来越多的生物分子序列信息。由于生物分子中的基本单位排列顺序和长度不同所造成的序列组成、分子结构以及序列组成对应的理化属性不同,导致这些生物分子具有了不同的种类和功能。其基本单位排列顺序的复杂性也给基于传统生物实验分析生物分子带来了困难。而序列信息是最能直观表达生物分子的信息。通过序列信息分析生物分子的种类和功能正逐渐成为生物信息学中最重要的研究任务之一。在这种背景下,本文采用多种特征提取方法结合机器学习方法对生殖细胞中维持基因稳定性的piwi-interacting RNA(piRNA)和调控基因表达的重要元件启动子进行了探索和研究。本文主要研究内容包括:基于序列信息的piRNA识别和功能分析预测方法。传统上,识别piRNA分子主要通过核苷酸组成和分子序列中的转座子信息相结合的方法来识别piRNA分子,这些识别方法都取得了很好的效果。本文将在多种分子识别任务上都取得较好性能的特征提取方法Pse KNC应用到piRNA分子识别的任务中。该方法提取的特征不仅包含序列组成信息,还包含序列组成对应的理化属性信息,通过该方法可以更好地刻画piRNA分子的序列信息。通过对比实验发现,该方法优于现有的基于序列信息识别piRNA的方法。同时,在此问题的基础上构建二层分类模型,对piRNA分子的功能进行识别,均取得了很好的预测性能。基于序列信息的启动子识别及其类型识别方法。在启动子识别方面,其识别方法主要通过启动子序列上的RNA聚合酶结合位点来识别启动子序列。为了充分描述这一特性,采用滑动窗口的思想对启动子序列进行划分,对每一个启动子子序列分别用Pse KNC方法提取特征。本文所用的方法结合了启动子的序列特点和Pse KNC特征提取方法的优点,更好地刻画了启动子的序列特征。此外,本文设计了一个二层结构,将启动子的类型识别问题当作多分类问题来处理,取得了不错的效果。基于多尺度窗口序列特征的启动子识别及其类型识别方法。根据启动子序列具有局部保守性的特点以及滑动窗口划分序列提取启动子特征的有效性。在以上基础上对识别启动子的方法进行改进,引入序列的局部保守性自适应地对启动子序列进行分割,对分割后的序列更细粒度地提取了启动子的特征并分别建立模型。通过实验发现,通过自适应窗口分割序列的方法提取特征所建立的模型可以提高识别启动子序列的准确率。