治疗肽的预测对于发现新型有效的治疗剂起着至关重要的作用。人们已经研究出大量的预测方法来解决这一问题,其中基于机器学习的预测方法也不在少数。但目前的研究出方法大多只能对单类型的治疗肽进行预测,还没有一种能够针对多种治疗肽的通用预测器。此外,从序列中提取关键信息并将其特征表示仍是一个具有挑战性的问题。在这项研究中,主要开发了PEPred-Suite这种用于预测治疗肽的生物信息学工具。在PEPred-Suite中引入了一种自适应特征表示学习方案,该方案可以针对不同的肽特性学习的最具代表性的特征。具体来说,我们对大量基于序列的特征进行分类训练,将学习到的类别预测信息集成到新的特征中。根据接收器工作特征曲线下的面积的情况,再利用两步特征优化方法来提取最具区别能力的新特征。利用学习到的最具代表性特征,针对八种不同类型的治疗肽训练出八个相应的随机森林模型。根据测试结果表明,与现有的预测器相比,PEPred-Suite在各类的治疗肽的预测中都表现出更好预测性能。此外PEPred-Suite是当前第一个能够同时预测多种治疗肽特性的工具,通过这种特征学习方案得到的特征在不同种类的治疗肽预测中都表现出了最佳的预测性能。为了方便研究人员使用,建立了一个易于使用的网络服务器。这个网络服务器中有两个模块:预测模块和特征表示模块。