随着高通量测序技术的迅速发展，产生了大量的异源生物组学数据。这些数据对于揭示多种重要的生物过程有着重要的意义。蛋白质是组成生物体细胞的重要成分，同时对诸多复杂的生命活动起着调控作用。一类蛋白质通过绑定DNA，而确保DNA顺利转录成RNA，使遗传信息得以顺利传递;在DNA转录形成RNA后，另一类蛋白质会在特定靶点上绑定RNA，以便对可变剪接体、翻译等转录后的生物过程进行调控。蛋白质-RNA相互作用预测是一个非常重要的生物信息学问题，已引起大家的关注。该问题既可以利用单源数据，也可以融合多种数据源，利用整合分析的计算方法去做预测。目前，研究者已经开发出一系列的比较成熟的基于单一数据的预测方法。然而，该过程受到多种因素的影响，因而，在RNA上寻找蛋白质绑定位点需要整合多种组学数据，才有可能对靶点序列做出更为正确的判别。鉴于生物过程本身的复杂性和基于数据的模型所固有的局限性，诸多的计算方法都只关注了问题的一个层面，有的甚至优缺点互补。因此，为了全面地理解蛋白质-RNA交互作用的功能，还需要更加有效的方法。　　本文以蛋白质-RNA交互作用预测问题作为出发点，对该问题进行了深入探讨和研究，利用多种异源数据，设计了一个整合异源数据的深度学习预测模型，实验表明该方法具有多方面的优越性。具体内容如下:　　首先，对于序列k-met表示的高维和稀疏特点，提出基于重复软最大化(Replicated softmax)模型进行编码降维的策略。重复软最大化方法是一个概率图模型，它对可见层和隐含层变量进行联合概率建模。该模型既可以处理高维离散数据，也可以处理连续数据;并且对输入数据的维数没有限制，因此可以处理变长数据，并且能从随机初始值出发，有效地提取数据中的固定模式。通过实验数据对降维的效果进行检验和评价，结果说明利用重复软最大化模型降维有利于蛋白质-RNA交互作用预测效果的提升。　　对于异源数据稀疏性问题，提出基于深度学习模型整合多种数据的预测方法(DeepRBP)。将整合数据源下具有预测效力的模型与其他四种方法进行比较，结果显示基于深度学习的模型(DeepRBP)在31组蛋白实验数据中的30组都有最好的表现。与仅利用序列信息的深度学习模型相比，DeepRBP具有更大的灵活性，能够整合多种源数据做出精确预测;和基于矩阵分解的方法相比，DeepRBP可以更好地处理高维和稀疏数据。　　基于深度学习的模型(DeepRBP)整合了多种数据源识别与蛋白质-RNA交互作用相关的重要特征，具有更大的灵活性。这些数据源既包含了RNA序列和基因组的特征，又包含了RNA的结构信息，同时还整合了多蛋白共绑定的信息，充分利用了高通量测序技术发展带来的便利性。