蛋白质作为全部生命的物质基础,在生命科学研究中占据着重要的位置。其中,它的结构和功能是重点关注的两个方面。蛋白质相互作用的过程与这两方面都息息相关。因此,对此过程的研究显得十分必要。在蛋白质相互作用界面上聚集着大量的残基,其中一小部分对界面的功能来说至关重要,称为热点残基。预测界面上的热点残基可以进一步揭示蛋白质之间相互作用的本质。同时,也有助于我们更透彻的理解蛋白质的结构和功能。在本文中,我们根据前人的相关文献,并在蛋白质结构数据库(Protein Data Bank,简称PDB)中获得实验所需的训练集和单独的测试集数据。预测残基的传统生物学方法主要是丙氨酸扫描突变技术,该方法比较复杂,代价较高并且比较耗时,所以不适用于大规模的使用。近年来,研究人员基于一些高效的数据挖掘处理和学习算法,提出了热点残基的多种预测方法,这些方法统称为计算方法。如何选取有效的残基特征,是使用计算方法进行残基预测的重点研究对象。本文首先基于训练集数据,选取了62种蛋白质残基的结构信息特征属性值。并在此基础上设计了一个多步特征处理方法来提取有效特征,包括ReliefF特征选择算法,去除冗余以及选择重要特征的策略,最终确定15种特征作为重要的特征集合。然后基于极限学习机ELM学习算法,结合这15种特征的不同子集构建不同的预测模型。根据实验结果分析可确定ELM学习算法的最佳参数和最佳特征子集组合,其中最佳特征子集包括4种特征。最后根据所得到的最优参数,进而构建可以准确预测热点残基的预测模型,并在分类过程中引入投票策略对模型进行优化。为了验证本文的预测模型的有效性,我们对单独的测试集数据以及其他的案例数据进行实验预测。实验结果表明本文的预测模型能够对热点残基进行有效的分类,并较其他的模型具有更好的性能。