后基因组与大数据时代的发展,也伴随着生物学数据库中序列数量的快速增长。从序列出发,分析蕴含在蛋白质与基因中的规律,逐渐成为生物信息学的研究热点。兼职蛋白质是指能够执行两种或两种以上功能的蛋白质,传统发现兼职蛋白大多是通过生物实验的方法,具有偶然性、耗时、耗力等缺点,机器学习的方法能够提高预测兼职蛋白的效率。现有的兼职蛋白质数据库及预测工具主要致力于动物和微生物物种,但是动物和植物的细胞存在较大差异,这可能会导致现有的工具预测植物兼职蛋白质不准确。因此,本研究构建了用于植物兼职蛋白质研究的标准数据集和一个致力于植物物种的兼职蛋白预测模型。主要完成的工作如下:（1）基于语义相似度分析的植物蛋白数据集整合。从公共数据库中整理出152条由实验确定的植物兼职蛋白数据,作为正样本。通过搜索7个植物物种类别,整理了60万条植物蛋白数据,依据GO功能注释,并使用语义相似度分析的方法,筛选出306条植物非兼职蛋白数据,作为负样本。再对这些数据进行降低冗余的处理。最终构建了用于植物兼职蛋白研究的正、负样本分别为138条和245条的标准数据集。（2）植物蛋白的特征提取和预处理。为了获得更适合植物蛋白研究的特征,本研究提取了16种基于蛋白质序列的特征类。经过特征选择、归一化、降维等预处理,再分别初步建模。根据模型性能的比较结果,最终选择出最适合植物蛋白研究的特征类,三肽成分。（3）基于多种机器学习的预测模型的研究。本研究使用了生物信息学常用的五种机器学习方法构建模型,并且使用了网格调参法、五折交叉验证等方法优化其性能。将性能最优的支持向量机方法用于构建植物兼职蛋白预测工具Ident PMP（Identification of Plant Moonlighting Proteins）。在独立测试集上的实验结果显示,Ident PMP的AUPRC和AUC的值分别为0.43和0.66,比目前最先进的非植物特异性预测工具的性能,分别高出了19.44%和10.00%。这进一步证明了一个标准数据集和一个植物特异性预测工具对于植物兼职蛋白的研究是有价值的。（4）植物兼职蛋白预测系统的设计与实现。为了让Ident PMP更便于用户使用,本研究实现了该工具的网页版,用户可以通过该网站,实现在线的预测植物兼职蛋白,并下载植物蛋白数据集和该工具的本地运行版软件包。Ident PMP是首次尝试构建一个致力于植物的兼职蛋白预测工具,期待该系统可以更好的服务于植物科学界和蛋白质组学的研究工作。