m6A是真核信使RNA修饰中含量最丰富的一种修饰方式,在控制细胞功能和基因表达中起着重要的调节作用。m6Am也是RNA转录后修饰的一种方式,可能与细胞功能控制中的调节作用有关。然而,通过实验方法以单碱基分辨率检测m RNA中的m6A（m）位点仍然是一个挑战,而且这种方法通常耗时且昂贵。发展计算方法是从大量RNA序列数据中准确检测m6A（m）修饰位点的良好策略。因为准确地鉴定转录组范围内的m6A（m）位点,是了解高度依赖m6A（m）的m RNA调节机制和生物学功能的基础。1)本文基于哺乳动物多个组织中的高置信水平数据,利用集成深度学习构建了一种新的计算方法im6APred,以准确识别m6A位点。此模型im6APred建立在对多种分类方法的综合评估之上,包括四种传统分类算法、三种深度学习及其集成。通过五次交叉验证测试选择出最佳的分类器组合,以实现有效的叠加模型。在独立测试中,im6APred的受试者操作特征曲线下面积（AUROC）指标为0.82-0.91,表明此模型能够学习RNA序列中与甲基化相关的序列特征,并能准确的识别m6A位点。此外,通过对基准数据集进行跨物种/组织验证,获得了0.77-0.96的AUROC,表明在组织水平上存在预测性能差异,证明了构建m6A位点预测的组织特异性模型的必要性。此外,我们还开发了一个用户友好的Web服务器,可以访问http://121.36.221.79/im6APred.2)本文还提出了一个集成深度学习框架,命名为DLm6Am以识别m6Am位点。DLm6Am由三个相似的基分类器组成,每个基分类器包含一个多头注意力模块,一个具有两个并行深度学习的嵌入模块子模块、卷积神经网络（CNN）,双向长短期记忆网络（Bi LSTM）和预测模块。为了证明此模型体系结构的性能,在训练数据集训练模型的基础上,将多个模型框架与我们的方法在训练集和独立测试数据进行了比较。此外,还与最新的模型m6Am Pred和Multi RM进行了比较。在独立测试数据上,与m6Am Pred和Multi RM相比,DLm6Am模型的准确度（ACC）分别提高了6.45%和8.42%,DLm6Am模型的接收者操作特性曲线下面积（AUROC）也分别增加了4.28%和5.75%。DLm6Am在ACC、马修斯相关系数（MCC）、AUROC以及精度和召回曲线下面积（AUPR）方面都比现有预测器效果更好。为了进一步评估此模型的泛化性能,我们实施了染色体水平遗漏交叉验证,发现获得的AUROC值大于0.83,表明我们提出的方法是稳健的,可以准确预测m6Am位点。