在计算机技术和信息技术快速发展的高通量时代,随着已知结构蛋白质数量的迅猛增加,从蛋白质的序列出发,通过理论计算方法对蛋白质的结构进行预测有着更高的效率和更低的成本。复杂超二级结构模体的预测是预测蛋白质的空间结构和功能研究的关键步骤。βαβ模体是一种重要的复杂超二级结构。因此,准确预测蛋白质复杂超二级结构βαβ模体,不仅对蛋白质的空间结构和功能研究有着重要的意义,而且对分子药物开发设计等也有着重要的指导价值。本课题的研究工作是对复杂超二级结构βαβ模体进行理论研究并预测。论文的主要工作分以下几个步骤:　　(1)本文首次对蛋白质复杂超二级结构βαβ模体进行识别。从已知模体结构的蛋白质序列出发,整理出序列相似性小于25％,分辨率高于3?的蛋白质4442个;使用DSSP和PROMOTIF软件构建了3个复杂超二级结构βαβ模体数据集。　　(2)通过对3个数据集的βαβ模体和非βαβ模体的核心结构loop-helix-loop的长度和模体长度进行统计分析,确定了loop-helix-loop包含10-26个氨基酸的βαβ模体和非βαβ模体作为研究对象;固定序列模式长为32个氨基酸。对βαβ模体和非βαβ模体采取5种片段截取方式,并统计分析每一位点的氨基酸保守性。　　(3)以序列信息,预测的结构信息和功能信息共同作为预测参数,使用支持向量机方法预测复杂超二级结构βαβ模体。比较三个数据集的五交叉检验和独立检验的预测结果可以发现,公共数据集SET3的五交叉检验和独立检验预测都能达到好的预测效果。SET3的五交叉检验和独立检验的总精度分别为85.9%和83.7%,相关系数分别为0.72和0.67。可见由DSSP和PROMTIF软件共同确定的数据集(SET3)更有利于复杂超二级结构βαβ模体的预测。同时可以发现,基于优化参数的支持向量机算法能有效的预测复杂超二级结构βαβ模体。　　(4)使用随机森林算法和支持向量机算法预测复杂超二级结构βαβ模体,并对相同参数和相同的检验方法的预测结果进行了比较,随机森林算法的预测结果好于支持向量机算法的预测结果。随机森林算法是多棵决策树通过投票给出最终结果,它是一种组合分类器,其预测效果是单一分类器支持向量机算法所不及的。同时,由于随机森林算法对高维特征参数具有预测优势,本文进一步采用添加位点亲疏水特征的随机森林算法预测βαβ模体,其五交叉检验的总精度为88.2%,相关系数为0.76。可见随机森林算法是一种预测蛋白质βαβ模体的有效方法。