跨膜蛋白是存在于生物膜上的一类特殊蛋白质,承担生物膜两侧物质和信息的传导功能,在多种重要的生命过程中发挥至关重要的作用,如物质运输、离子通道、能量传递、信号识别等。由于它们的特异性结构,目前药物市场上约一半以上药物靶点是跨膜蛋白,其结构和功能研究对药物研发具有巨大价值。然而相对于水溶蛋白,生物技术手段难以大规模测定跨膜蛋白结构,虽然近年来样本数量持续增长,但仍然远不能满足相关研究的需要。因此,采用计算手段从蛋白质序列出发精确预测跨膜蛋白特异性结构特征,从而对其进行深入功能研究,这是当前结构生物学领域内一项重要研究问题。蛋白质残基距离预测是根据序列描述其空间结构的一种普遍方法,前期研究主要通过蛋白质序列模式、残基理化属性等作为特征,采用多种机器学习和统计方法进行建模,但由于预测能力有限通常简化为对其中发生分子共价键接触的残基二分类预测问题。随着深度学习技术的发展,近期出现以Alpha Fold为代表的蛋白质结构预测方法则能够对结构样本较多的蛋白质家族取得较好的结构建模,但由于跨膜蛋白同时存在跨膜结构和非跨膜结构,除少量家族外的大量跨膜蛋白结构样本并不充足,仍然存在残基距离预测的应用需求,有待探索针对性的预测方法。本文研究工作面向跨膜蛋白的特殊性,借鉴于水溶蛋白结构预测相关研究方法,分析并提取具有结构显著性的跨膜蛋白特异性序列特征,对与跨膜蛋白功能直接相关的跨膜和表面区域残基,利用残差网络的序列模式学习优势,分别建立深度神经网络模型进行跨膜蛋白残基距离预测。其中针对跨膜蛋白表面残基,提出以压缩激励模块嵌入残差模块的SE-Res为核心块的深度预测模型Sur Res D;针对跨膜蛋白跨膜区残基,提出仅依赖于残差模块的预测模型TMRes D,其残差模块通过融合空间和通道信息来提取特征,压缩激励模块侧重于自动学习不同通道特征的重要性。通过对特征组合方式探索发现,以进化保守性和协同进化特征作为输入时,Sur Res D和TMRes D模型达到了最佳的预测性能,在验证集和独立测试集上两模型的PCC分别达到了0.5212、0.5378和0.5474、0.589。距离阈值分别设置为7?和6.5?时,能使由表面残基距离图和跨膜区残基距离图转换而来的二值残基接触图在评价指标MCC值上达到最大,分别为0.5337和0.4576。综上所述,本文面向残基接触图中发生接触的残基对与非接触的残基对比例失衡问题,转为对蕴含更细粒度信息的残基距离图的研究,分别从模型构建、特征组合、合理设置距离阈值以及模型对比等多个角度进行了一系列探索,所提出的预测方法能够有效拟合及预测残基间距离,不仅可以为跨膜蛋白高质量结构重建提供支持,也有助于探索结构决定的功能和生物学机制,对进一步研究药物分子作用、靶点设计和疾病治疗有推动作用,并为后续相似问题提供研究思路。