在生命活动过程中,蛋白质和配体之间的互相作用是普遍存在并极为重要的。准确定位蛋白质和配体之间的相互作用位点,对于理解蛋白质的功能、药物设计等有着重要的价值。其中,三磷酸腺苷（Adenosine-5’-triphosphate,ATP）是一种重要的配体。ATP可以通过水解断裂高能磷酸键来为生命体提供能量,是生命体中最直接的能量来源。通过湿实验的方法来确定蛋白质与配体的相互作用及绑定位点,存在着成本高且周期长的不足,研发简单高效的智能计算方法来预测蛋白质-配体的绑定位点有着迫切需求。相应地,基于机器学习的蛋白质配体绑定位点预测成为了一个热点问题。本文针对ATP这一特定类型的配体展开相应的蛋白质-ATP绑定位点预测研究,主要工作如下:（1）针对绑定蛋白质和ATP的绑定关系进行研究,提出了使用带有卷积层的神经网络来利用ATP绑定位点的局部性关系特性这一特性;根据绑定口袋的形成原理,选择了使用带有结构信息的蛋白质二级结构和溶剂接触面积信息来参与预测;发现了绑定位点数目较少的数据不平衡问题,并且使用了基于随机下采样的方法解决了这一问题。（2）提出了一种基于一维卷积神经网络用于预测蛋白质-ATP绑定位点的方法:首先,从蛋白质序列出发,从多个视角抽取特征,如位置特异性得分矩阵、二级结构以及溶剂接触面积,进而对每个残基进行特征表示;其次,采用采样算法在原始数据集上构建平衡的训练集,以应对原始数据集中正样本（绑定位点）与负样本（绑定位点）之间的极度不平衡;最后,基于平衡的训练集,设计并实现了一维卷积神经网络模型用于蛋白质-ATP绑定位点的预测。在标准数据集上对所提方法进行了严格的交叉验证与独立测试,并与领域内主流的蛋白质-ATP绑定位点预测模型进行了对比,实验结果验证了本文所提方法的有效性。（3）提出了一种基于残差深度网络的蛋白质-ATP绑定位点的预测方法,基于上一种实验方法,使用残差网络解决了训练数据的长度不定性,并通过每次使用整条蛋白质链来参与训练解决了滑动窗口的限制性。在标准数据集上进行了测试,实验结果验证了深度网络对于蛋白质-ATP绑定位点的有效性。