蛋白质是生物体细胞的重要组成部分,在生物体的各种生命活动中发挥至关重要的作用。在生物体内,蛋白质需要与配体发生结合作用以实现其特定的功能,因此准确识别蛋白质与配体的结合位点对于理解蛋白质功能,探索疾病的发病机制以及新型药物的设计开发具有重要意义。根据所使用的信息种类,蛋白质-配体结合位点预测研究可分为基于序列信息的预测方法和基于结构信息的预测方法。基于序列信息的预测方法仅使用从蛋白质序列中提取的序列特征结合机器学习算法实现对结合位点的预测。相比于基于结构信息的预测方法,基于序列信息的预测方法在已知数据量和数据丰富程度上都具有优势,因此拥有更广泛的应用前景。现阶段基于序列信息的预测方法主要面临两个方面的挑战:首先,蛋白质-配体数据集中存在明显的样本不平衡现象,序列中结合位点的样本数量明显小于非结合位点的样本数量;其次,当前应用的机器学习算法的分类性能仍有待提高。针对以上问题,本文围绕基于序列信息的蛋白质-配体结合位点预测开展研究工作,主要贡献和创新点如下:1.提出基于混合预测思想的蛋白质-RNA结合位点预测方法。针对蛋白质-RNA结合位点提出一种基于序列特征和序列模板的混合预测方法。基于序列特征预测方法提取理化属性、进化保守性和协同进化性三类特征,结合随机森林分类算法,得到目标氨基酸的原始分类概率。为了削弱样本不平衡对预测性能的影响,本文基于RNA结合位点在蛋白质序列上的聚集特性提出一种概率调整算法,有效纠正原始分类结果中的误分类样本。基于序列模板预测方法通过比对目标序列与模板序列之间的相似序列片段,将模板序列上存在的结合位点映射到目标序列中。最后,根据两种预测方法的特性,将基于序列特征和基于序列模板预测方法的结果进行整合。2.提出基于氨基酸相邻相关性的蛋白质-DNA结合位点预测方法。氨基酸作为组成蛋白质序列的基本单位,每种氨基酸都具有其独特的理化属性。当目标氨基酸在蛋白质序列中与其相邻氨基酸构成序列片段时,目标氨基酸的DNA分子结合能力将受到其自身理化属性和相邻氨基酸理化属性的共同影响。本文针对蛋白质序列上的DNA结合位点提出基于氨基酸相邻相关性的N-阶概率调整算法,挖掘目标序列中由类别不平衡造成的未能有效识别的结合位点,提升预测方法对于DNA结合位点的识别能力。3.提出基于卷积神经网络的蛋白质-ATP结合位点预测方法。ATP作为一种小分子,在蛋白质序列上的结合位点数量相比大分子更少,导致数据集中的类别不平衡现象更严重,因此有必要应用分类性能更强的机器学习算法。本文基于深度学习框架中的卷积神经网络提出两种分类架构,并分别命名为“Residual-Ince ption”分类架构和“Multi-Inception”分类架构,应用卷积神经网络能够挖掘深层数据特征的特性,构建输入序列特征的深层表达。同时,在损失函数的计算中,对少数类样本赋予更高权重,使分类网络更加关注少数类样本的预测准确性。最后,将两种分类网络的输出进行整合,提升预测方法的整体性能。4.提出基于卷积神经网络和Light GBM分类算法集成的蛋白质-ATP结合位点预测方法。在上述研究的基础上,本文进一步考虑蛋白质序列特征之间存在的差异性对预测性能的影响,提出两种应用分离特征的多输入卷积神经网络分类架构。两种分类架构分别基于卷积神经网络中的Inception模块和Xception模块进行构建,并分别命名为“Multi-Incep Res Net”分类架构和“Multi-Xception”分类架构。同时,将卷积神经网络与Light GBM分类算法进行集成,通过增加分类算法的丰富性和多样性,追求预测性能的进一步突破。基于蛋白质序列信息,本文针对蛋白质-RNA、蛋白质-DNA和蛋白质-ATP结合位点的预测提出4种方法。针对当前研究中存在的问题,提出具有纠错能力的概率调整算法,构建分类性能更强的卷积神经网络架构。实验结果表明:本文提出的方法在多个评估指标上均显示了优良的性能。这些方法有助于基于序列信息的蛋白质和其他配体结合位点的相关研究,为蛋白质-配体结合位点预测研究起到了积极的促进作用,对于生物信息学中的相关预测问题同样具有参考价值。