蛋白质是生物体中一切生命活动的重要载体。DNA结合蛋白可参与调控生物体的遗传、变异和细胞转录等过程,且与许多疾病的治疗息息相关。泛素化作为蛋白质翻译后修饰的过程之一,能使蛋白质的结构更复杂,功能更完善,调节更精细,作用更专一。但由于蛋白质的结构非常复杂,许多蛋白质的功能尚不清楚。因此,采用计算方法研究蛋白质结合位点对了解蛋白质的功能具有重要意义。传统的生物实验方法虽然可以精确识别蛋白质结合位点,但随着生物数据的快速增长,传统的生物实验方法在蛋白质结合位点研究中,往往存在实验成本高、耗费时间长,且无法大规模实现等问题。采用计算方法研究高通量的蛋白质结合位点预测已成为生物信息学的重要研究方向。本研究以蛋白质的序列信息和结构信息为基础,运用机器学习方法对DNA结合蛋白-药物结合位点和拟南芥蛋白泛素化位点进行预测与分析研究,提出了新的预测模型。主要研究内容分为以下两个方面:（1）通过探索PSSM和残基相互作用网络预测DNA结合蛋白-药物结合位点。针对DNA结合蛋白-药物结合位点的预测与分析,本文提出了一种基于蛋白质序列特征和网络拓扑特征的预测模型。本实验数据来源于PDB和sc-PDB数据库,其生物类型包含大肠杆菌、家鼠和拟南芥等。该模型采用位置特异性评分矩阵和残基相互作用网络特征来描述氨基酸残基,并构建基于极端梯度增强算法的分类模型预测DNA结合蛋白-药物结合位点。实验通过比较不同特征、不同机器学习分类模型,以及多种交叉验证方法对比实验的预测性能。实验结果表明,我们提出的方法达到了较好的预测性能。（2）基于蛋白质结构特性和氨基酸物理化学性质预测拟南芥泛素化位点。针对拟南芥蛋白泛素化修饰位点的预测与分析,本文提出了一种Pse Ara Ubi预测模型。实验数据来源于Uni Prot KB/Swiss-Prot和NCBI蛋白质数据库。针对拟南芥蛋白序列数据,从Chou-Fasman参数、氨基酸疏水性特征和氨基酸极性信息中提取特征,并使用Boruta算法进行特征筛选,获得了共30维的最优特征集合,训练模型采用支持向量机作为分类器。通过五折交叉验证实验,提出的模型相较于之前的方法取得了较好的预测性能。并在独立测试数据集上进行了实验验证。该方法有助于为生物实验方法验证拟南芥泛素化位点研究提供支撑。