自然界中许多生物过程都需要蛋白质的参与,它们通过彼此间或者与其他分子相结合,在细胞内部和细胞之间发挥着不可或缺的作用。在蛋白质上鉴定出可以与小分子相结合的残基,这对于理解蛋白质的生物学功能和靶药物的设计都具有重要意义。传统的通过实验确定的方法是困难的,既昂贵又耗时,因此计算的方法具有非常重要的意义。目前的计算方法大都利用已知蛋白质中氨基酸残基的电化学性质来预测它们是否是与小分子结合位点的一部分,根据是否使用蛋白质中氨基酸的三维坐标可大致分为基于序列和基于三维结构与序列相结合的方法,其中又分为基于模板比较、基于对接（docking）和基于传统机器学习的三大类。预测可以结合蛋白质与配体两者的属性,也可以不考虑小分子配体,仅仅基于蛋白质方面的信息,后者这种方式中结合位置的氨基酸残基被认为是独立于配体而存在的,也是本文所讨论的范畴。随着神经网络在越来越多的任务中作为主导方法广泛应用,机器学习领域正在进行一场由传统机器学习方法到深度学习的技术变革,并且由于数据量的增加和计算资源的日益强大,深层次的网络结构成为主流。已经有深度卷积神经网络在蛋白质结合位点问题上使用并取得成功的案例,但由于其难以捕获蛋白质一级序列上的长距离依赖,所以本文在使用卷积提取特征时减少了卷积层数,并与门控单元相结合。不过序列特征仅仅是特征的一部分,蛋白质本质上是不规则的空间物体,提取其空间特征也是本文需要解决的问题。而将具有空间结构的事物抽象成非欧几里得空间的图结构,并使用图神经网络进行处理已经被证实是十分有效的方法。最终本文提出一种依赖于蛋白质空间结构信息的无模板方法,结合了残差网络、图卷积和长短时记忆网络完成对蛋白质-小分子结合位点的识别,模型主要分为三个模块:（1）堆叠10个Res Net的basic block对蛋白质中每一个氨基酸的特征进行提取和增强;（2）同时使用两层图卷积结构,聚合每个氨基酸空间上的邻域,获得其空间结构信息,并在图卷积上结合了动态卷积的思想提高该模块的效果;（3）将上两步得到的结果拼接作为最终的蛋白质特征,通过门控循环单元捕捉长序列的依赖关系,并进行最后的分类工作。实验使用了从Bio Lip中搜集的6000余个非同源的训练集与测试集,结果表明,与现有的方法相比,在不需要大量的数据文件作为模板匹配,网络层数明显减少,训练速度大大加快的前提下,识别效果不弱于目前的复杂模型。