荷尔蒙连接蛋白(HBP)可以选择性地、非共价地与荷尔蒙蛋白(HP)相互作用,从而充当HP的调节剂或抑制剂。准确地识别HBP也为正确理解细胞生长、发育和功能机制提供重要的前提保障。传统识别HBP的方法通常要通过复杂的生物学实验,耗时耗力且速度缓慢。近几年来,为了改善这个弊端,科研人员开始尝试使用机器学习的方法来识别HBP,使得这种缺点得以改善。但是,不同的机器学习算法有着不同的预测效果,绝大多数的算法预测效果不尽如人意,分类能力有待提高。因此,本文通过尝试多种算法,搭建多种预测模型,使用交叉验证的方法与常用评价指标进行评估的方式,从众多模型中选取出具有最优预测效果的模型作为最终的HBP预测模型。本文从Uniprot数据库下载了一套HBP原始数据,通过严格的筛选构建出了一组精准的基准数据集。我们尝试了多种特征提取方法,利用支持向量机(SVM)分类算法对HBP与non-HBP(非HBP)进行分类,并基于5-折交叉验证评价模型的性能,产生了如下的结果:(一)使用CTD方法提取HBP序列中氨基酸位置、组成与分布等信息,最终得到60.16%的总成功率;(二)使用自然矢量法(NV)提取HBP序列中的氨基酸个数、平均位置与二阶归一化中心矩等信息,最终得到70.33%的总成功率;(三)使用g-gap二肽组份(g-gap)方法提取HBP序列中二肽成份信息,最终得到72.76%的总成功率;(四)使用伪氨基酸组份(PseAAC)方法,将氨基酸的物化性质融入进来,提取HBP序列中的氨基酸组成、长短程相关等信息,最终得到76.83%的总成功率;(五)使用三肽组份(TPC)方法提取HBP序列中的三肽成份信息,最终得到72.36%的总成功率。以上所构建的模型的预测能力有限,分类精度偏低且仍有一定的提升空间,考虑到这是由于特征冗余所引起的。因此为了去除高维度特征(g-gap特征、PseAAC特征与TPC特征)产生的冗余或噪声信息,我们引入了方差分析方法(ANOVA)与二项分布方法(BD)对特征进行筛选,并应用特征增益过程(IFS)构建特征子集,利用SVM分类算法对HBP与non-HBP进行分类,并基于5-折交叉验证评价模型的性能,得到了如下的结果:(一)使用ANOVA方法对g-gap特征进行筛选,最终得到了最高的总成功率为80.89%;(二)使用ANOVA方法对PseAAC特征进行筛选,最终得到了最高的总成功率为84.15%;(三)使用BD方法对TPC特征进行筛选,最终得到了最佳的总成功率为97.15%。与已有的模型相比,本文所提出的该模型具有最好的预测效果,且鲁棒性最佳。为了方便广大科研人员使用该HBP预测模型,我们搭建了一个用户友好的在线服务器HBPred2.0(http://lingroup.cn/server/HBPred2.0),我们确信HBPred2.0将为HBP研究工作提供有力帮助。在未来的工作计划中,伴随着蛋白质序列数据以井喷式的速度涌进数据库,深度学习在大数据量问题展示出的强大学习能力值得借鉴,例如Inception神经网络、ResNet神经网络和卷积神经网络的使用势必对HBP的预测提供更加有力的帮助。