蛋白质是一类结构复杂与功能多样的生物大分子,在细胞和组织的生长和维持中扮演着重要的角色,是生命体的重要组成部分。了解蛋白质的功能对于理解细胞和生物的活动机制、研究疾病机理等至关重要。高通量测序的飞速发展,极大地拓展了我们对自然界物种蛋白质的认知,从而推动了蛋白质功能自动化注释方法的研究。截至目前,只有极少数的蛋白质具有实验验证的功能,仍有大量的蛋白质功能未能被注释,且其中有相当一部分与已知功能的蛋白质在序列上没有可观察到的显著相似性。尤其是随着宏基因组技术的广泛应用,大量未知的蛋白质被发现,进一步激发了对这些与已知功能蛋白在序列上不具有显著相似性的未知蛋白质的功能进行注释的需求,因为这些未知蛋白质的功能可能是生物适应相关环境、发挥特有功能或者变现独特表型的重要基础。由于许多序列上高度不相似的蛋白质,但可能具有相似的折叠模式,这意味着尽管它们的序列高度不同,但它们可能具有相同的功能,因此传统的基于序列相似性或结构域相似的方法（如BLAST,HMMER等）无法对这些蛋白进行准确的注释。Alpha Fold2的成功表明,蛋白质序列中隐含了其结构信息。因此,本文通过整合深度卷积神经网络、双向长短时记忆网络以及自注意力网络模型构建了名为Hi GO（Homology Independent GO annotation）的端对端模型,直接从蛋白质序列中提取隐含的结构信息,进而实现对蛋白质功能的注释。为了评估算法性能,我们利用CAFA3金标准数据集,将Hi GO与目前的蛋白质功能注释算法（Deep GOPlus,Na?ve,Diamond Blast,Diamond Score）进行比较。结果表明,在大多数的评估标准下,Hi GO均能取得较好的性能,其中MF,BP,CC的Fmax值分别达到0.608,0.462,0.641,AUPR值分别达到0.554,0.371,0.696。在保证算法可靠性的基础上,本文进一步将Hi GO应用于人类肠道微生物蛋白（Unified Human Gastrointestinal Protein,UHGP）中的未知蛋白的功能注释,同时发现了新的蛋白质家族和新的基序。此外,结构比对分析证明Hi GO可以提取与蛋白质功能相关的潜在结构特征,使其能够实现对非同源蛋白质的功能注释。Hi GO模型还可以应用于次级代谢产物合成基因簇的完整功能注释,有利于推导其代谢小分子,挖掘潜在的天然药物。总之,该模型是一种全新的蛋白质功能注释的方法,提供了快速且有效的蛋白质功能预测,扩展了对新测序生物体的蛋白质的理解。