大数据时代,由于测序技术的迅速发展,生物实验数据与信息呈指数形式增长,海量的生物学数据不断涌现。在蛋白质组学研究中,如何选择和使用合适高效的机器学习方法预测蛋白质相互作用是一项具有挑战性的任务。对蛋白质之间的相互作用进行预测研究,可以帮助人类探明生命活动的内在本质与规律,还对了解疾病作用机理和开发有效药物起到推动性的作用。围绕基于多信息融合的蛋白质相互作用预测研究,本文主要工作如下:1.提出一种基于PPIs-stacking的蛋白质相互作用预测新方法。首先,运用伪氨基酸组成(pseudo-amino acid composition,PseAAC)、自相关函数(auto-correlate function,ACF)、氨基酸组分位置特异性得分矩阵(AAC-PSSM)、二肽组分位置特异性得分矩阵(DPC-PSSM)和三联体编码方式(conjoint traid,CT)五种方法对H.pylori和S.cerevisiae数据集进行特征提取并串联融合五组特征向量。其次,运用Lasso方法对串联融合后的特征向量进行降维。最后结合5折交叉验证检验方法将最优特征向量输入到stacking集成分类器进行预测,并运用Celeg、Ecoli、Hsapi以及Mmusc四个独立测试集验证模型,均取得了较高的准确率。实验结果表明,本文提出的基于PPIs-stacking方法的蛋白质相互作用预测模型取得了较好的预测效果。2.提出一种基于PPIs-WDSVM的蛋白质相互作用预测新方法。首先,运用伪氨基酸组成(pseudo-amino acid composition,PseAAC)、自协方差(auto-covariance,AC)和分组重量编码(encoding based on grouped weight,EBGW)方法对蛋白质序列进行特征提取,并串联融合提取的三组特征向量。其次,运用二维小波方法对串联融合后的特征向量进行降噪。最后将降噪后的特征向量输入到SVM分类器进行预测。采用5折交叉进行检验,在H.pylori与S.cerevisiae数据集上取得了令人满意的结果,实验结果表明,本文提出的基于PPIs-WDSVM方法的蛋白质相互作用预测模型取得了很好的预测效果。