蛋白质是组成人体一切细胞、组织的重要组成成分,是生命活动的重要物质基础。然而,生物体内功能的发挥不是凭借单个蛋白质独立执行的,而是通过蛋白质与蛋白质的相互作用来实现的。如果蛋白质相互作用发生了异常,将会影响到细胞的活性及其功能的发挥,从而引发各种疾病。对于蛋白质相互作用,从本质上来讲,其是通过蛋白质上的部分残基(脱去水分子的氨基酸)的相互结合来实现的,这些残基被称为蛋白质的相互作用位点。而本文的研究内容主要是预测蛋白质上的哪些残基参与了蛋白质的相互作用。该研究对理解生命活动的机制、探究蛋白质相互作用原理、发现新的药物靶标蛋白相互作用关系等相关的研究有重要的影响和意义。对于蛋白质相互作用位点预测的研究,采用生物实验的方法,不仅周期漫长而且要消耗很大的人力物力。因此,计算方法来预测蛋白质相互作用位点则成为当下的主流方法。迄今为止,已有大量的计算方法被提出来预测蛋白质相互作用位点,但是预测的结果与传统的实验方法相比,还有相当大的差距。在这种情况下,就需要有新的计算方法能不断提高蛋白质相互作用位点预测的精度,这也是促使本文研究的动机。总结以往对蛋白质相互作用位点预测的计算方法,其中有很多研究往往存在以下问题:(1)他们往往会取多个相邻残基的特征信息,然后对它们一维向量化,再输入到不同的学习算法中。但是,这种一维向量化操作破坏了残基之间的上下文关系,从而丢失了一些重要的特征信息。(2)以往的方法使用的大多数机器学习方法不具备学习残基的上下文的能力,则导致预测的结果不理想。(3)以前的方法会将不同性质的特征无差别的组合在一起送入算法中学习,但考虑到不同性质的特征在生物表达上的差异,这些特征被无差别的组合可能会影响原本特征的显著性。针对以往预测方法存在的不足,本文提出的解决方案:(1)本文首先提出了特征图的概念来表征残基的特征信息,其中特征图中不仅含有残基的原始特征信息,而且还含有残基的上下文特征信息。本文构建的特征图有PSSM进化特征图、PhyChem物化特征图、PSAIA结构特征图。(2)本文使用了深度卷积神经网络来学习本文构建的特征图,其中卷积神经网络的局部连接和权值共享的能力则可提取特征图的上下文关系和残基的特征信息,除此之外,深度卷积则可提取特征图中的高维抽象信息。(3)考虑每类原始特征在生物上表达的不同,对于基于不同原始特征构建出的特征图,本文对它们分别训练深度卷积神经网络学习器,然后使用集成学习将它们集成在一起,则可避免不同性质的特征无差别的组合的影响,同时也可提高模型的预测能力。为了验证本文提出的ConvsPPIS预测方法的性能表现,本文提取了两个蛋白质相互作用数据集及计算了相应残基的对应标签。同时本文对ConvsPPIS的模型框架的一些重要参数进行了寻优实验。最后,在与以往的一些计算方法对比中,实验结果表明ConvsPPIS模型的预测性能更优。其中,ConvsPPIS的准确率为88%,召回率指为59%,精确率为85%,F1分数为69%,马修斯相关系数为65%。最后,为了测试ConvsPPIS方法的泛化能力,本文在一个独立测试集上验证了它的性能表现,结果表明其要优于其它的对比方法,其准确率为70%,召回率为54%,精确率为40%,F1分数为46%,马修斯相关系数为26%。最后,由于ConvsPPIS方法优秀的性能表现,其将会对以后蛋白质相互作用位点的研究具有一定的借鉴意义。