蛋白质泛素化是重要的翻译后修饰之一,在蛋白质降解、DNA损伤修复、细胞自噬和信号转导等生物学过程中发挥着至关重要的调控作用。在细胞内,泛素化修饰的特异性主要由E3连接酶（Ubiquitin-protein ligase,E3）决定,泛素化调控的异常与人类疾病密切相关。近年来,随着高通量质谱等修饰相关实验技术的飞速发展,泛素化底物和位点的鉴定数量急剧增长。这些数据零散稀疏、结构复杂,难以被有效利用,调控泛素化底物和位点的上游E3连接酶有待进一步发现。因此,本研究首先整合已发表的泛素化底物和位点数据,构建深度注释的综合数据库;在此基础上,利用深度学习技术构建E3连接酶特异性泛素化位点预测工具,为蛋白质泛素化的后续研究提供重要的数据资源和计算工具。通过检索泛素化相关文献,并整合其它包含泛素化位点的公共数据库,共收集到45 625个蛋白质上的235 888个泛素化修饰位点。除泛素化外,蛋白质赖氨酸残基上还可发生其它重要的翻译后修饰。因此,对29种可发生于赖氨酸上的修饰类型进行整理,构建包含592 606个赖氨酸修饰事件的综合数据库CPLM 4.0。此外,利用105个数据资源,对赖氨酸修饰底物及位点进行涵盖13个方面的综合注释。与其它数据库相比,CPLM 4.0包含的赖氨酸修饰事件增长了108%,数据库容量达到45 GB。利用数据库中的泛素化数据,提取其序列和结构的10种特征,整合深度神经网络（Deep neural network,DNN）、卷积神经网络（Convolutional neural network,CNN）、惩罚逻辑回归（Penalized logistic regression,PLR）三种算法,开发非特异性泛素化位点预测框架GPS-Uber。与其它工具相比,该模型预测准确性提高9%。随后,利用从文献中收集的1 311个位点特异性E3酶-底物关系,基于迁移学习方法构建E3特异性的泛素化位点预测模型。最终,GPS-Uber共建立了112个独立的泛素化预测器。综上所述,本研究不仅构建了以泛素化为核心的赖氨酸修饰综合注释数据库,对赖氨酸修饰数据进行整理与注释,还针对蛋白质泛素化开发了新的预测工具,实现了对泛素化底物上游E3酶的高效鉴定。