蛋白质作为构成生命的基本有机物在生物体中发挥着重要作用,因此对蛋白质的分类识别具有重要意义——是探索生命规律的重要一步为后续研究奠定坚实的基础。随着蛋白质序列数量的急剧增加一些传统的生物实验已无法快速、有效的识别蛋白质,因此将机器学习算法引入到蛋白质组学中为蛋白质的分类研究提供了新思路,但在研究过程中仍存在一些问题:如蛋白质序列信息未能使用恰当的数字向量表示、分类算法选择不恰当等。通过总结分析目前研究中存在的问题,本文分别使用不同的特征提取算法与分类算法建立预测模型对激素结合蛋白、突触前和突触后神经毒素进行分类研究。激素结合蛋白作为一种载体蛋白与循环系统中激素调节有关在表达异常时会引起各种疾病,因此了解激素结合蛋白的功能及其调控机制就变得十分重要。本文通过建立HBP＿NB预测模型对其进行分类研究,该模型首先使用k-mer（k=3）特征提取方法获取序列特征,然后使用F-score值特征选择算法选择与类别具有强相关性的特征、去除冗余特征获取最佳特征向量集,最后在朴素贝叶斯分类算法下将获取的最佳特征向量集进行分类预测并使用10折交叉验证对模型HBP＿NB进行评估。此时10折交叉验证的准确率为95.45%,敏感性为94.17%,特异性为96.73%,这表明我们建立的模型具有有效性。神经毒素按其作用对象的不同可分为突触前神经毒素和突触后神经毒素。突触前神经毒素主要作用于突触前膜,由于酶活性的特定性它们通常阻断神经肌肉传递并抑制神经递质的释放;突触后神经毒素可以结合突触后膜和乙酰胆碱受体,例如β-甲氨基-L-丙氨酸能够损伤运动神经元可能是引起帕金森综合症的罪魁祸首。因此对神经毒素的研究将为药物靶点发现和药物设计提供重要线索。本文通过构建Neu＿LR预测模型对其进行研究,该模型首先使用mono Mono KGap方法提取突触前和突触后神经毒素序列的频率特征并进行特征选择选取221维最佳特征向量集,然后基于降维后得到的重要特征使用逻辑回归算法构建预测模型Neu＿LR并进行10折交叉验证和测试集验证,结果得到的准确率分别为99.6078%和94.1176%。因此证明Neu＿LR模型具有较好的预测性能和鲁棒性,可以满足神经毒素的预测需求。