随着后基因组时代的到来,大量蛋白质序列的出现给研究人员带来了新的机遇和挑战,将计算机科学引入生物信息学领域成为一种必然,这种新颖的生物信息学研究方法给“数据”带来了无限可能。功能肽在人体生命活动的调节中发挥重要作用,不同类型的功能肽的预测问题已经成为生物信息学中的热点研究问题之一。人类白细胞抗原（HLA）是一种存在于大多数人体细胞表面的分子,在免疫系统抵抗外来细胞入侵和调节免疫反应中发挥重要作用,T细胞抗原受体（TCR）可以识别癌细胞表面的HLA-肽复合物,并利用有毒的T淋巴细胞破坏这些癌细胞,因此准确预测HLA-I等位基因和肿瘤抗原肽的结合会促进癌症免疫疗法的快速发展。本文提出了一种基于BERT预训练语言模型的功能肽的特征提取算法。针对目前I类HLA（HLA-I）分子与抗原肽的结合预测研究中,氨基酸序列的特征构造算法依赖传统序列评分函数而导致的特征单一问题,为突破使用经典机器学习算法构造氨基酸序列特征的局限性,本研究中将自然语言处理领域的特征构造技术迁移至功能肽的预测问题。类似于文本语言是由固定字母表所定义的,蛋白质序列通常由20种不同的常见氨基酸组合形成,从组成和信息完备性的角度来看,蛋白质语言和自然语言间存在某种共性。本文中,将功能肽的氨基酸序列视作自然语言的句子,将每个氨基酸视作自然语言的字母,利用蛋白质语言和自然语言间的共性,从多个维度提取功能肽序列的潜在特征,从而创新功能肽预测问题的研究思路。本文以HLA-I等位基因与肿瘤抗原肽的结合预测任务为例,基于预测模型的不同适用范围角度,提出了等位基因泛特异性模型Prot HLAI和等位基因特异性模型HLAB。等位基因泛特异性模型Prot HLAI的特征提取模块采用了Prot Bert模型结合Bi LSTM模型和注意力机制的级联网络结构,实验中使用了26个独立的子数据集,对Prot HLAI和其它八种预测工具的性能进行对比。结果显示,本算法在其中的16个子数据集上均有最优的性能表现,且在所有预测工具中是性能表现最稳定的。等位基因特异性模型HLAB采用了Prot Bert模型结合Bi LSTM模型的级联网络结构构造特征提取模块,HLAB模型覆盖了共360个不同的特异性分类任务,与其他八种预测工具进行性能对比的结果显示,HLAB模型可以在90%的预测任务中取得最优的分类性能。Prot HLAI模型和HLAB模型的实验结果证明:1.本文提出的基于BERT的功能肽特征提取算法可以在不同的预测任务中达到该问题领域最先进的性能。2.BERT结合其他模型的级联特征提取模型是可以更有效的对BERT模型提取的特征进一步“加工”,从而得到更契合实际下游任务的特征提取算法。