核酸结合蛋白（Nucleic acid binding proteins,NABPs）是通过与核酸相结合发挥作用的一类蛋白质,分为脱氧核糖核苷酸（Deoxyribonucleic acid,DNA）结合蛋白和核糖核苷酸（Ribonucleic acid,RNA）结合蛋白两大类。核酸结合蛋白在基因转录、翻译、基因调控等多项生命活动过程中都发挥着重要的作用。随着蛋白质工程不断深入研究和交叉学科的深度融合发展,核酸结合蛋白特别是RNA结合蛋白的预测问题成为生物信息学领域研究的热点之一。当前,针对RNA结合蛋白的研究主要分为传统生物实验方法和计算方法。传统的生物实验方法往往具有实验周期长,实验的人力物力成本高,实验难度大,实验环境不确定因素等限制,因此,无法很好地应对爆炸性增长的蛋白质序列数据。随着多学科融合尤其是人工智能的发展,机器学习技术被应用到RNA结合蛋白预测领域,并得到了不错的效果,但仍然存在一些局限性和不足:（1）真实的RNA结合蛋白数据类别分布是高度不平衡的,这会使得分类器偏向于多数类,从而导致识别RNA结合蛋白的性能低下;（2）用于描述蛋白质的特征向量的维度往往比较高,在样本数量不足的情况下可能导致维数灾难,使机器学习方法的分类性能在一定程度上有所降低;（3）常用的基于物化属性的特征和进化保守性的特征往往经过复杂的人为设计,不利于发挥深度神经网络的表征学习能力,并且进化保守性特征的获得往往需要专门工具基于大规模的蛋白质数据库比对,需要较高的计算机资源和较长的计算周期,限制了模型的广泛应用。因此,本章节将利用机器学习和深度神经网络的方法对RNA结合蛋白预测模型进行进一步的改进。本章节针对这些问题提出了新的RNA结合蛋白分类预测模型,主要内容包括:（1）基于XGBoost特征选择的支持向量机预测模型。该模型主要是针对小规模数据的分类预测,在没有使用生物信息特征的情况下有效地提高模型的预测精度。使用XGBoost从高维的蛋白质序列的三肽模式统计特征中选择最优子集,同时利用SMOTE算法进行数据平衡化处理。实验结果验证了所述方法是有效的,在标准数据集上的结果明显优于其他模型,在MCC和AUC两个全局性能指标上均获得了超过2%的提升。（2）基于短肽链频率的深度学习方法预测RNA结合蛋白。该模型主要是针对大规模数据的分类预测,将蛋白质序列数据看成类似文本数据,使用二肽和三肽频率作为类似于文本分类中的单词频率,采用XGBoost算法与卷积神经网络融合的方法对多物种的RNA结合蛋白进行预测。结果表明,在10折交叉验证中,该模型在人类、大肠杆菌和沙门氏菌数据集上的AUC分别达到0.94、0.97和0.94,在独立测试集上的MCC分别达到0.66、0.68和0.73。AUC的值分别达到0.91、0.96、0.91。此外,该模型在跨物种测试中表现出更高的稳定性和更好的泛化性能。这使得该方法为跨物种RBP研究提供了新的思路。