凝集素是细胞识别分子之一。凝集素是一种可以与糖结合的蛋白,它们与糖结合的位点通常在一个以上。当它们与细胞发生反应时,不仅会与细胞表面的糖结合,还会引起细胞交联和随后的沉淀,这种现象称为细胞凝集。到目前为止,几乎所有的生物,包括病毒、细菌、植物、脊椎动物和无脊椎动物都被发现能够合成和分泌凝集素。癌症凝集素是与癌症有着不可分割的联系的凝集素,已知在癌症的发生、生存、生长、转移和扩散中发挥着多种重要作用。因此,从众多的凝集素中筛选出特定的凝集素,不仅对于肿瘤标志物的发现和肿瘤治疗具有重要意义,对于更好地了解和攻克癌症也具有重要意义。近年来,蛋白质组学研究受到的关注越来越多,传统预测方法已经无法满足大量的呈指数型增长的蛋白质数据的分析需求,所以开发新的更加高效的计算方法研究蛋白质分类预测问题是必要的。本文使用了已有文献中构建完备并广泛采用的标准数据集,该基准数据集来源于CancerlectinsDB数据库,由178条癌症凝集素序列与226条非癌症凝集素序列组成。构造了融合g-gap双肽组成的特征提取算法,运用方差分析进行特征选择,并用SVM对数据进行训练,构建了一个新的分类模型,最终得到该分类模型的预测准确率为83.91%,灵敏度为83.15%,已有研究中Hong-Yan Lai^[5]等人的方法的实验结果最好,分类模型预测准确率与灵敏度分别为77.48%、75.28%,对比可见本文的分类模型在预测精度与灵敏度上均有较大提高,说明本文的分类模型提高了对于癌症凝集素样本的正确识别的能力。同时,为了验证本文构建的分类模型的分类效果,从NCBI数据库中选取了30个2012年之后入库的新的癌凝素样本,对新数据集的预测精度达到83.3%,正确识别了25个癌凝素样本,说明本文的分类模型是有效的。