蛋白质泛素化是一类典型的翻译后修饰(PTM),它承担着调节生命活动的重要作用,研究发现泛素化影响着细胞凋亡、细胞增殖和信号转导;蛋白质SUMO化是一类与泛素化非常相似的翻译后修饰,研究发现SUMO化与基因定位、基因表达和基因组复制有关。在过去的二十年里,机器学习相关算法已被广泛地认为是预测蛋白质泛素化与SUMO化位点的有效计算方法。依据机器学习算法开发计算工具需要特征工程,现存工具一般依靠先验知识人工选择符合特定问题的特征,这些特征不具备一般性,导致其模型可解释性弱。并且现存工具不能适应时下日益增长的数据规模。上述因素促使本文提出了一个基于深度学习算法、有能力处理大规模数据量的蛋白质泛素化位点预测工具,其模型集成了七个包含卷积层与全连接层的有监督学习子模型,这些子模型可以从蛋白质序列特征和理化属性特征中提取深度表示。在本文中,402个理化属性特征被分为6个聚类簇,每一个簇中的高相关性特征都被相应地定制了子模型的深层网络架构来处理。然后,使用一个Stacking集成学习策略来综合每一个子网的深度表示以完成预测蛋白质泛素化位点的工作。此外,迁移学习技术的引入使本文提出的深度学习模型在微调后也可以很好地适用于蛋白质SUMO化位点的预测工作。最后,本文所提出的模型在高质量的注释蛋白质数据库Uniprot/Swiss-Prot上,预测表现明显优于一些被广泛使用的知名蛋白质泛素化和SUMO化位点预测模型,其精度、敏感性、特异性、MCC、F1分别达到了19.24%、74.49%、74.93%、0.287、0.303和28.61%、84.36%、83.99%、0.431、0.426。搭建模型所用源代码和训练与测试模型所用的全部数据资源可从网址https://github.com/ruiwcoding/Deep Ubi Sumo Pre处免费获得。