在基因组技术飞速发展的时代,蛋白质组学渐渐成为了研究者们着重研究的对象。蛋白质作为一种直接参与生物体生理生化活动的基础大分子物质,通常需要翻译后修饰（PostTranslational Modifications,PTMs）这一过程,才能转变为可以正常行使功能的成熟蛋白。糖化（Glycation）是一种很重要的翻译后修饰类型,蛋白质发生糖化的过程是一种由一系列生化反应组成的非酶反应过程,糖化反应最终的产物称为高级糖化终产物（Advanced Glycation End products,AGEs）,AGEs可以直接使蛋白质变性或者间接与蛋白质形成配体从而介导细胞的炎症反应。目前许多研究表明AGEs与许多疾病相关,例如肾病、阿尔兹海默症和动脉粥样硬化等。传统的质谱验证方法消耗大量的人力和时间,因此使用计算机辅助方法来预测蛋白质糖化位点十分必要。近年来已经有许多机器学习方法应用于蛋白质糖化位点预测,这些方法已经能够比较准确的预测糖化位点,但仍有很多问题需要改进。首先在学习器方面,现有的预测方法大多使用支持向量机作为基础学习器,支持向量机由于其超平面划分的特性可以很好地解决小样本上糖化位点的预测效果,但当糖化位点数据量逐渐增多时在准确性和训练效率等方面无法胜任。其次在特征方面,现有方法仅采用了基于先验知识的生物序列特征,特征来源单一,无法对特征进行充分的表示,而且现有方法的特征学习过程依赖于特征选择,导致模型的泛化性较差。最后在数据层面,现有方法大多使用随机选取一部分负样本的欠采样方法来使正负样本均衡,而这种简单的下采样方法会使模型无法学习到完整的负样本模式,这会导致模型无法区分糖化与非糖化位点的差异。综上,现有方法仍存在许多缺陷需要弥补。为了解决上述这些问题,本文提出了一种基于集成深度学习的蛋白质糖化位点预测方法Gly-EDL（Glycation site prediction with Ensemble Deep Learning）。首先在特征表示方面,GlyEDL采用了多种来源的特征表示,包括蛋白质语言模型特征和生物模式特征,来获取蛋白质糖化位点更为全面的潜在信息。其次在特征学习方面,针对不同类型特征采取不同的特征学习策略,并采用了注意力机制作为集成不同类型特征表示的方法,从而实现集成深度学习的模型架构。由于采用了以上特征学习策略,Gly-EDL的模型架构具有很强的灵活性和高效性,并且在模型的可迁移性方面也有较好的表现。最后针对样本类别不均衡问题,Gly-EDL在模型的训练阶段针对现有数据集采用了基于权重的重采样方法和数据增强方法,一定程度上解决了糖化位点数据缺失和样本类别不均衡的问题,提高了模型的鲁棒性和可迁移性。在采用了以上多种策略之后,Gly-EDL在蛋白质糖化位点预测中与其他现有方法相比取得了更优秀的性能表现,并且在模型的可迁移性方面有明显的优势。最后本文通过提出Gly-EDL方法来预测蛋白质糖化位点,使研究者们能够更加方便地使用计算机辅助方法去初步推测糖化的发生与否,起到初步筛选的作用,从而减轻工作量。另外Gly-EDL旨在为生物序列相关的预测或分类问题提供一种新的解决思路,使得更多其他领域的方法及策略利用到生物序列研究领域中来,为更多研究者们提供便利。