蛋白质是一种有机大分子,承载了细胞主要的生命活动。在蛋白质序列中,氨基酸不同地排列组合,导致了蛋白质性能的差异性。分析蛋白质序列数据,研究蛋白质性能,具有重要的理论和实际意义。目前,通过计算机的高效计算能力,进行蛋白质性能预测已经成为重要的研究方向。本课题针对不同的科研问题,通过分析蛋白质数据的特点,构建与其匹配的深度学习算法,进行蛋白质性能预测,研究内容主要分为三个部分:（1）基于双路卷积神经网络的蛋白质溶解性预测模型。在工业生产和生物学理论研究中,蛋白质溶解性的确定是一个重要的先决条件。在这项研究中,通过分析蛋白质溶解性数据,设计基于全局特征和局部特征的特征融合方法和深度双路卷积神经网络模型。首先,为每个样本提取全局特征和局部特征,构建混合矩阵组,作为一路卷积通道的输入,并利用SCRATCH工具提取57维特征和21种序列特征作为额外特征,作为另一路卷积通道的输入。然后,依据数据特点,为实现蛋白质溶解性预测,对卷积层的串并联结构调整组合,设计深度双路神经网络模型。该模型包含了一路3层2D卷积操作的通道和一路1层1D卷积操作的通道,分别用于混合矩阵组和额外特征的隐含关系计算。最后,设计多种对比实验,利用独立测试集,验证本研究算法的优越性。（2）基于词频二肽频率编码和混合图卷积神经网络的药物蛋白质亲和力预测模型。在疾病治疗和抑制病毒的药物开发过程中,通常蛋白质被作为识别靶点,而蛋白质与药物亲和力是一项重要的参考指数。但当前利用深度学习构建的蛋白质与药物亲和力预测模型存在性能不高的问题。本研究利用词频二肽频率编码和混合图卷积神经网络设计了一种药物蛋白质亲和力预测模型。首先,利用自然语言的词频特性,改进多肽频率特征,对蛋白质序列进行特征表达。之后,利用五种不同特征表达药物原子,以及原子键关系映射为边集合,实现图结构表达药物分子。然后,将蛋白质特征和图结构分别作为卷积神经网络和图卷积神经网络的输入,共同建立预测模型,实现对药物亲和力的预测。并设计多种对比实验,验证本设计的有效性。（3）蛋白质性能预测系统的设计与实现。以蛋白质溶解性预测模型和药物蛋白质亲和力预测模型为基础,利用封装技术和多线程技术,使用Python语言为开发环境,运用Qyqt5、Numpy、Sklearn、Tensor Flow、Pytorch、Pytorch-Geometric等科学计算库,开发蛋白质性能预测系统。该预测系统通过模块化程序设计思想,采用分层、分布式功能设计,将系统分为3个层级、11个功能模块,实现了19个不同的功能,并设计容错机制,针对用户可能出现的错误操作,设置对应的提醒功能。该预测系统为用户提供了良好、稳定的运行环境,实现了蛋白质性能、药物蛋白质亲和力的训练与预测。该预测系统在训练功能模块中,动态显示训练过程,并展示预测模型的各项评价指标,训练过程与结果具有较高的可视化程度。通过对各功能模块进行试用测试,证明该预测系统具有较好的稳定性和可靠性。