真核细胞内包含了多种不同的细胞区室或细胞器等亚细胞结构,各种蛋白质只有在特定的亚细胞位置才能正常执行功能。在人类细胞中,约有一半蛋白质分布在两种或多种亚细胞位置,这些蛋白被称为多标记蛋白质。多标记蛋白质往往具有着更为复杂的生物功能,它们的定位异常或分布量发生变化往往反映了细胞代谢的紊乱,与疾病密切相关。例如,在许多癌症细胞中,某些多标记蛋白质会在异常的亚细胞位置富集。因此,多标记蛋白质的亚细胞位置模式的量化研究对于确定蛋白质功能、理解复杂的细胞生理过程和设计药物等都有着重要作用。通过生化实验来检测蛋白质的亚细胞位置及其分布量能够达到较高有准确率,但实验成本偏高,因此利用机器学习算法从蛋白质数据中提取相关信息,自动识别亚细胞位置分布量情况,是生物信息领域的一个重要研究方向。随着显微成像技术的发展,蛋白质显微图像作为一种新的蛋白数据表达方式,在新兴的生物图像信息学发展中扮演着重要角色。其中,免疫荧光图像通过特异性荧光标记使指定蛋白显色,能够直观捕捉特定蛋白质在亚细胞层面的空间分布数量富集及易位情况,对研究蛋白质亚细胞定位的量化研究有着重要作用。本文主要研究免疫荧光图像中蛋白质亚细胞位置的分布量的分析方法,针对目前定量标注数据集稀缺,以及当前自动定量预测模型的性能差、适用性不广泛的问题,提出了一种基于深度学习的蛋白质亚细胞定位模式分解模型DULoc,用于从免疫荧光图像中定量估计不同亚细胞位置中的蛋白质分布比例。该模型采用深度卷积神经网络构造图像特征,并结合多种非线性分解算法作为模式分解方法。实验结果表明,在真实数据集和合成数据集上,DULoc可以实现不错的定量预测效果,预测结果相关系数高达0.93。此外,DULoc模型在人类蛋白质图谱数据库中的大规模图像进行了定量预测和验证,结果最高可达到70.52%的一致率,这表明该方法具有很强的应用普适性。最后,针对蛋白质图谱中单细胞内蛋白质的亚细胞位置模式分布个体差异大、不均匀等问题,本文构建了一个基于类激活图的单细胞图像的蛋白质位置模式定量预测模型CAM-Net,利用深度卷积神经网络模型得到的类激活区域定量地分析单细胞中蛋白质在不同亚细胞位置的分布量,预测结果相关系数达到0.67。