蛋白质是基因表达的产物,是执行生命功能的基本载体,使得蛋白质组学成为后基因组时代生命科学中重要的研究领域。一般而言,相较于动物基因组,植物的基因组大、重复序列多且杂合度高,因此其蛋白结构功能多样性更为复杂。准确预测植物蛋白质,对植物蛋白质进行精准分类,是在分子层面深入理解植物生命活动物质基础的前提。随着植物基因组的发展,植物蛋白质数据大幅增长,通过传统的生物实验的方法确定植物蛋白质类别耗费时间且价格高昂。因此,利用机器学习算法对植物蛋白质进行识别是十分有必要的。本论文基于机器学习算法,研究有关植物蛋白质的两个关键问题:烟草花叶病毒蛋白质的分类方法研究及其抗性蛋白质的分类方法研究。本文具体内容如下:植物染病可能为多种病原体共同侵染导致的,若想根治则需要明确其感染病原体种类。烟草花叶病毒是一种常见的植物病毒,可侵染植物种类多达350余种。普通烟草花叶识别方法费时费力,因此,利用机器学习方法进行烟草花叶病毒蛋白质分类具有重要意义。对此,本文从UniProt数据库中收集烟草花叶病毒蛋白质,通过去冗余等操作构建基准数据集。使用基于烟草花叶病毒蛋白质序列信息、基于氨基酸组成成分以及理化性质、基于K间距氨基酸对的组成的特征提取方法,并将基于蛋白质序列信息与基于蛋白质理化性质特征提取方法、基于K间距氨基酸对的组成与基于蛋白质理化性质特征提取方法组合,构建一个混合分类模型。独立测试集的结果表明,支持向量机算法结合基于蛋白质理化性质的方法准确率获得了最优结果,利用此模型对烟草花叶病毒蛋白质进行分类具有较高的准确性和鲁棒性。这也为之后进行更深层次分析烟草花叶病毒蛋白质提供了线索。植物抗性蛋白是植物在生长发育过程中为了应对复杂的环境变化以及病虫害的侵染进化形成的。植物抗性蛋白质的分类工作有利于进一步探索植物对病毒的抗病机制。本文收集了来自多种植物的抗性蛋白质数据,对负面样本进行去冗余处理,构建基准数据集。基于不同的蛋白质编码方式对蛋白质进行特征提取,以便模型可以提取有效的特征,使用基于氨基酸序列信息、基于氨基酸对、基于分组肽的组成、基于氨基酸属性信息等方法,并引入机器学习方法以及卷积神经网络方法,对植物抗性蛋白质进行分类,根据训练结果,进一步将表现优异的蛋白质特征提取方法进行组合。通过实验结果以及评价指标的分析,支持向量机算法结合CTDT CTriad的分类方法具备较高的准确率与鲁棒性。