人类白细胞抗原（Human Leukocytes Antigen,HLA）是位于人体细胞表面的主要组织相容性复合体（Major Histocompatibility Complex,MHC）,其可与内源或外源多肽片段发生特异性结合,经抗原提呈途径运输至细胞表面供T细胞表面受体识别,从而引发人体的特异性免疫应答。因此,HLA亲和多肽和T细胞表位预测一直是药物设计和生物信息学领域的重要研究内容。近年来,随着HLA亲和多肽和T细胞表位测定技术以及相关数据库容量的飞速发展,传统机器学习方法已难以满足HLA亲和多肽和T细胞表位预测的发展需求。为此,论文采用深度学习中最具代表性的卷积神经网络（Convolutional Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN）为主要研究方法,分别就HLA-I、HLA-II亲和多肽以及T细胞表位预测进行了系统的探索性研究,主要研究内容与结果如下:（1）HLA-I亲和多肽预测研究。论文以HLA-I分子的34个接触残基和亲和多肽氨基酸序列为输入信息,分别建立了泛特异性的CNN和RNN预测模型。在模型训练过程中,论文采用不同抽样权重来处理不平衡的训练集样本,同时采用多种类型Dropout以及早停技术进行过拟合控制。研究结果显示:RNN预测模型取得了优于CNN模型以及文献报道的6个等位基因特异性模型、4个泛特异性模型和2个基于Ensembel的模型的预测结果,其对训练和验证集的预测准确性和AUC值分别为0.86、0.96和0.85、0.93,且对不同长度亲和多肽表现出了较高的预测性能。对于外部预测基准数据集中的64个子集,RNN模型对其中21个子集取得了最高的AUC值。（2）HLA-II亲和多肽预测研究。论文以HLA-II分子α链31个接触残基、β链15个接触残基和亲和多肽氨基酸序列为输入信息,分别建立了HLA-II亲和多肽的CNN和RNN预测模型。研究结果显示:论文构建的泛特异性模型的外部预测准确性和AUC值分别为0.80和0.89（CNN模型）以及0.80和0.88（RNN模型）。与已有研究相比,论文所建的CNN和RNN模型是目前已知的包含HLA-II亚型种类最多的泛特异性模型,且模型具有网络架构简单,可直接预测不同长度多肽样本,无需数据预处理等操作等特点。（3）T细胞表位预测研究。以T细胞表位氨基酸序列为输入信息,分别建立了泛特异性CNN和RNN模型以及3个物种特异性模型。研究结果显示:基于CNN和RNN的泛特异性模型的预测结果均不理想,而基于流感病毒、结核分枝杆菌和小白鼠表位数据建立的物种特异性CNN和RNN模型均取得了较优的预测结果。其中,3个物种特异性CNN模型的外部预测准确性和AUC值依次为0.82、0.89;0.84、0.91;0.79、0.83;3个物种特异性RNN模型的外部预测准确性和AUC值依次为0.78、0.87;0.78、0.84;0.79、0.84。总的来说,论文采用深度学习理论方法对HLA-I、HLA-II亲和多肽和T细胞表位预测进行了探索性研究,并取得了较为满意的研究结果。与传统预测模型相比,论文构建的CNN和RNN模型具有特征自动提取与筛选、模型构架简单易于实现等诸多特点,同时可实现对不同长度多肽/表位的准确预测。相关研究成果可为T细胞表位疫苗研发提供重要的理论参考依据。