真核生物染色质的转录与复制需要特定的顺式调控元件与反式作用因子的组合调控。同时,反式作用因子只能结合在染色质折叠程度低的、无核小体区域,这部分区域被称为染色质开放区域（open chromatin region,简称OCR）或者染色质可及性区域（chromatin accessible region）。作为一个富含调控元件的重要结构特征,OCR对于理解基因组的转录调控机制具有重要的研究意义。近些年来,基于海量的生物组学数据,深度学习在基因组功能位点识别以及染色质相互作用预测等方面取得了丰硕的研究成果。然而,现有的OCR预测算法基本只基于人类或者模式动物数据,目前仍缺少可以识别与预测植物基因组OCR的计算方法。同时,相对于传统的染色质相互作用预测方法通常用于预测增强子-启动子相互作用等单一类型的互作,探究OCR间的相互作用可以不受锚定位点类型的限制,找到更多种类的互作。针对上述问题与挑战,本文基于深度学习算法,开发了两个计算工具,分别用于植物基因组OCR的识别以及人类基因组OCR间相互作用的预测。在第一项工作中,本文开发了CharPlant（Chromatin Accessible Regions for Plant）,可以全基因组预测给定植物基因组中所有潜在的OCR。为此,本文设计并构建了一个新的卷积神经网络（convolutional neural network,CNN）架构,并基于四种植物（水稻、拟南芥、苜蓿和番茄）的ATAC-seq以及DNase-seq数据集训练和测试该模型。该模型同时学习了DNA序列模体（motif）特征及其调控逻辑以确定染色质的开放性。除此之外,所有的计算步骤都集成在了CharPlant工具包中,可以使用简单的命令行运行,后续的数据分析结果也证实了该方法的预测能力和计算效率。总的来说,CharPlant工具绘制了植物中OCR的全基因组分布图谱,同时可以帮助研究人员探究不同条件下OCR的转录调控机制。在第二项工作中,本文开发了CharID（Chromatin Accessible Region Interaction Detector）,可以预测人类基因组中所有潜在的OCR间相互作用。为此,本文设计并构建了一个两步模型,并基于三个人类细胞系（GM12878、K562、He La-S3）的数据集训练和测试该两步模型。CharID的第一步模型名为CharID-Anchor,其基于DNA序列,利用CNN、双向门控循环单元（bidirectional-gated recurrent unit,Bi GRU）构建了基于注意力机制的杂合CNN-Bi GRU神经网络架构来学习参与互作的OCR特征,可以将序列区分为锚定位点OCR和非锚定位点OCR。后续的分析发现相比于非锚定位点OCR,锚定位点OCR包含更多有利于相互作用形成的特征。CharID的第二步模型名为CharID-Loop,其基于序列特征以及表观基因组和基因表达数据,利用梯度提升决策树（gradient boosting decision tree,GBDT）和分染色体划分数据集的策略来预测锚定位点OCR之间潜在的相互作用。通过与现有算法的比较评估发现,CharID-Anchor与CharID-Loop都有着更好的性能,同时能够预测出更多有生物学意义的染色质间相互作用。随后,本文还构建了OCR间相互作用调控网络,并基于此网络鉴定到了富含调控元件的核心节点（hub）。此外,本文还在GM12878细胞系中鉴定到了心血管疾病相关的SNP-靶基因相互作用,并揭示了相关SNP影响GFOD1基因表达的潜在调控机制。为了进一步拓展CharID的可用性,本文开发了一个便于使用的网络服务Peaksniffer,用户可以在线预测、检索以及可视化OCR间相互作用。总的来说,相比于现有算法和实验检测手段,CharID能够不限制锚定位点类型地识别出更多种类的相互作用。综上所述,本文利用深度学习相关方法,针对OCR开发了两个计算工具CharPlant和CharID,在全基因组范围内对于OCR的一维功能位点解析及其在三维空间上参与的互作进行了深入的研究与分析,为OCR及其相关调控机制的解读提供新的视角与见解。