蛋白质是承担人类生命活动的基础物质,往往通过与其他生物大分子相互作用发挥其生物学功能,例如细胞传递、信号传导等。DNA结合蛋白就是蛋白质中能与DNA结合发生作用的一种特殊蛋白质;蛋白质之间也会发生相互作用,预测它们相互作用的位点能加深对蛋白质相互作用原理的理解。但是随着蛋白质数据爆炸式地增长,依靠现有的实验方法并不能满足生物工作者的需要,所以设计一种高效便捷的蛋白质功能及位点预测方法成为生物信息学领域的重要研究课题。本文结合深度学习分别对DNA结合蛋白和蛋白质作用位点展开研究。全文工作包括以下三个部分:第一个工作是针对DNA结合蛋白预测任务。我们致力于开发一个基于序列的预测方法,而不需要通过繁琐的步骤获取复杂的特征。主要内容是使用蛋白质的原始序列特征和预训练特征,构建了一个多维度卷积神经网络,结合BiGRU和注意力机制提取全局特征,从而达到预测DNA结合蛋白的目的。第二个工作是针对预测蛋白质相互作用位点任务。我们提出使用基于图卷积网络的模型GCNPPIS进行蛋白质相互作用位点预测,首先通过残基的共现关系和残基-蛋白质之间的关系将蛋白质序列转化成图结构,继而将其放入半监督的图卷积网络中训练,为研究蛋白质相互作用位点任务提供了新的处理方式。第三个工作是针对上述任务的优化。我们提出了模型HANPPIS,进一步将氨基酸序列分割为层次结构,并结合蛋白质的二级结构、亲水性等多种特征,通过分层注意力机制对其进行训练和预测,使得模型能够对不同的氨基酸给予不同程度的关注度,并且提高了模型的可解释性。本文对现有数据进行了测试验证,通过多个对比实验表明了模型的有效性和鲁棒性,并为DNA结合蛋白分类和蛋白质相互作用位点预测任务提供了新颖高效的计算方法,对未来的生物实验具有一定的辅助作用。