谷胱甘肽化是一种可逆的翻译后修饰,对蛋白质的稳定性,氧化还原反应起着重要的作用。充分地理解谷胱甘肽化机制,识别谷胱甘肽化位点是至关重要的。相比于利用生物实验方法识别谷胱甘肽化位点,利用计算方法进行识别的效率更高。因此,寻找一个好的谷胱甘肽化位点的计算预测方法尤为重要。目前,尽管已经提出了一个预测谷胱甘肽化位点的预测器,但仍需要考虑一些问题。首先,Sun’s预测器使用的数据集太小,并且没有用独立测试集来验证自己的预测器,随着越来越多的谷胱甘肽化位点被实验证实,有必要对预测模型进行修改。第二,没有系统的研究谷胱甘肽化位点周围的生物特征。基于上述问题,提出了PGluS方法,利用了从dbGSH数据库搜集的最新数据。为了提取最有信息的氨基酸特征,并且显示这些特征在预测中起到的重要作用,本文利用多个特征描述符,如k-spaced氨基酸组成对(CKSAAP)和分组重量编码(EBGW)。结果表明,PGluS达到准确率为71.41%,敏感性为75.53%,特异性为67.32%,MCC为0.431。这表明PGluS方法是很有前景的。但是以上这些方法仍然存在许多不足之处。首先,所提出的预测器的整体性能仍然是不完全令人满意的,仍有提高预测性能的空间。其次,现有的预测方法忽略了物种之间的差异,把所有物种的谷胱甘肽化位点视为通用的位点然后开发一个通用模型。为了解决现有方法的不足,本文开发了一种新的基于支持向量机的计算工具,称为SSGlu。这是专门用来识别基于多序列特征特定物种的谷胱甘肽化位点的方法。特征包括二进制编码的氨基酸序列文件(BE),氨基酸组成(AAC),氨基酸理化属性(PCP),自相关函数(ACF),位置特异性打分矩阵(PSSM)。利用两步特征选择方法选取最佳特征子集。通过5折交叉验证,SSGlu的AUC值在人和小鼠两个物种模型分别到达了0.8015和0.8041。此外,与现有的方法相比,SSGlu拥有更高的MCC和AUC值。表明SSGlu在预测谷胱甘肽化位点方面是很有前景的。本文还提供了SSGlu在线服务器,方便用户在线进行预测。