结构域作为蛋白质三维结构中重要的组成部分,对蛋白质的功能具有直接影响。准确识别蛋白质结构域对蛋白质结构解析至关重要。传统的试验方法测定蛋白质结构域,虽然准确、可靠,但是成本高、效率低。对蛋白质不连续结构域预测研究有助于蛋白质三级结构测定和功研究,对疾病发生机制理解和开发新的药物具有重要的意义。基于序列的研究方法很少考虑到不连续结构域检测问题,基于结构的方法虽然大多都能考虑到不连续结构域边界划分,但是比较依赖于蛋白质三维结构。不同于以往的研究思路,基于图的蛋白质不连续结构域预测算法从序列出发,结合图相关方法进行结构域边界预测,最终对不连续结构域进行检测。研究思路:首先从序列出发,结合深度学习算法预测残基接触图,并根据残基接触图确定蛋白质接触图。之后,提出两种算法对蛋白质接触图进行递归分割,得到结构域边界信息。最终,通过结构域检测算法对不连续结构域进行检测。第一种分割算法是基于最大流的方法,该方法对图进行递归分解,直至分解后子图满足终止条件,算法结束。提出的第二个算法是基于费德勒向量方法,该方法跟第一种方法流程大致相同,不同点在于,该方法通过计算图的拉普拉斯特征值中次小拉普拉斯特征值和费德勒向量,在每次分割的时候,需要根据费德勒向量值遍历分割结果,选取最优的分割结果为当前分解结果。结果表明,对于不连续结构域预测问题,基于费德勒向量方法在精确度、召回率、NDO-score和DBD-score均优于基于最大流方法,并且在精确度、召回率和NDO-score方面优于ThreaDom方法。因此,可以证明基于图的蛋白质不连续结构域预测方法是合理可行的。