本研究对两方面的计算工具进行了全面评估,包括1)从小RNA测序数据中检测micro RNA（miRNA）的差异表达;2)利用组织来源的DNA甲基化（DNAm）数据估计免疫细胞比例。第一章,我们对miRNA进行了总体回顾。重点介绍了miRNA的生物生成、miRNA异构体的分类、miRNA的靶向预测以及miRNA在癌症中的作用。第二章,我们重点回顾了基于DNAm数据的去卷积方法。简要讨论了EWAS、DNAm数据库、基于DNAm的去卷积分析和免疫反应对癌症的潜在意义。第三章,miRNA异构体（isomiRs）是由与原型miRNA同臂产生的,在5和/或3个末端有几个核苷酸不同的miRNA。这些保守较高的isomiRs有着重要的生物学功能,并且对于miRNA的进化也十分重要。准确检测miRNA的差异表达,可以为miRNA的细胞功能带来新的见解,并进一步改善基于miRNA的诊断和预后应用。然而,在miRNA差异表达分析中,很少有方法考虑到isomiRs的差异表达。为了克服这一挑战,我们利用同一miRNAs的isomiRs数据的多维结构,开发了一种新颖的基于Hotelling’s T2检验的多变量差异表达方法（称为MDEHT）。利用隐藏在同种miRNAs中的信息,MDEHT能够提高识别单变量检验方法中无法检测到的差异表达的miRNAs的能力。我们在模拟数据集和The Cancer Genome Atlas和真实数据集中,对MDEHT与7种常用工具进行了严格无偏的比较。我们的综合评价表明,MDEHT方法在各种数据集中具有很好的稳健性,在I型错误率、真阳性率和重现性方面优于其他常用工具。第四章,表观关联分析（EWAS）中,从大块组织样本数据中确定与免疫细胞类型相对应的创新生物标志物是一项具有挑战性的任务。尽管近年来已开发了多种基于DNAm数据的去卷积方法,但它们的性能还未得到彻底评估。在这里,我们提出了一种基于DNAm数据中Cp G岛的新型参考数据,从大块组织样本中得到了更准确的免疫细胞量化。我们使用了方差分析模型,然后通过Tukey’s honest significant difference（HSD）检验来选择细胞类型特异的高甲基化Cp G位点。此外,我们进行了一项综合模拟研究,利用我们新提出的参考数据,比较了六种细胞去卷积方法的性能。我们研究中评估的六种估计细胞类型成分的方法都是用于大块组织数据的,包括CIBERSORT,Constrained Projection（CP）,Robust Partial Correlations（RPC）,Estimate the Proportion of Immune and Cancer cells（EPIC）,Decon RNASeq,和Ref Free EWAS。我们的综合评价表明,基于参考的CP方法在模型预测误差率方面优于其他去卷积方法。从大块组织样本中准确估计细胞类型比例,可以为EWAS研究中的疾病发病机制带来新的见解。在真实数据分析中,我们使用了来自TCGA样本的DNAm和基因表达数据集。对于基因表达数据,我们使用了LM22标志矩阵。分别利用不同癌症类型中的基因表达和DNAm数据估算了免疫细胞类型构成。最后,生存分析表明,基于DNAm数据对免疫细胞亚型的去卷积可以帮助医生做出更好的临床决策,改善患者的免疫治疗。