亚细胞结构是指细胞内被膜分隔而成的更为精细的细胞隔间,如细胞核、线粒体等。各蛋白质只有在特定结构中才能发挥作用,其所处的亚细胞位置与功能密切相关,蛋白质定位异常往往伴随着细胞功能缺失和代谢紊乱。例如,在癌症组织中,有些蛋白质的亚细胞位置会出现转移或缺失的情况,这样的蛋白质在临床上可作为肿瘤标志物辅助诊断和治疗,并能够帮助判断组织癌变进程。早期通过生物学实验方法来检测蛋白质的亚细胞定位专业性强,成本较高,所以开发高效的智能算法从蛋白数据中提取相关信息以进行亚细胞位置自动识别,已成为生物信息学的重要方向之一。前期该领域的自动化研究大多基于蛋白质氨基酸序列,但序列信息是静态单一的,对于蛋白质的亚细胞分布变化并不敏感。而近年来随着成像技术突破而快速增长的蛋白质显微图像,能够更加直观的反映蛋白质在亚细胞间隔中的分布及易位现象,已成为亚细胞定位研究中新的数据载体。其中,免疫组织化学（Immunohistochemistry,IHC）图像能够表示蛋白质在正常和癌症组织细胞中的分布情况,在癌症检测和判断组织病灶区域性质方面扮演着重要角色。目前,对IHC图像中蛋白质亚细胞位置的自动分析已成为蛋白功能特性和相关疾病研究的重要途径。本文中,我们针对目前领域内采用传统特性方法构建的自动化预测模型准确率低、可用性差的情况,提出采用结合传统特征工程及深度学习的框架对IHC图像中的蛋白质亚细胞位置模式构建自动分类器,并测试了该分类器对于结直肠癌标志蛋白质易位的检测能力。实现结果表明,我们的方法在新样本分类方面能够取得不错的性能,能够较为准确地筛选癌症标志物。此外,针对IHC图像前处理中小图像块数量等参数的选取问题,我们采用循环神经网络的思想构建了一个深度学习模型GFNet,使之能够从整幅IHC图像中根据蛋白质表达的强弱自适应地选取参数,提取小图像块,提升亚细胞位置预测性能。最后,在模型应用方面,考虑到肿瘤标志物的筛选不仅要受亚细胞位置变化的影响,其表达强度的变化也是重要因素,因此我们从图像中抽取颜色等特征,构建了用于表达强度分类的自动预测模型,改善了结直肠癌肿瘤标志物的筛选效果。