随着后基因组发展,蛋白质组的研究正在如火如荼地进行.蛋白质相互作用的研究不仅有助于揭示生命活动的本质,而且还有助于理解疾病活动的机制和有效药物的开发.机器学习的快速发展为理解蛋白质相互作用的机制提供了新的机遇和挑战.它在蛋白质组学研究领域发挥着重要作用.近年来,已经开发了越来越多的用于预测蛋白质相互作用的计算方法.本文的模型是基于集成学习的思想,结合随机森林和支持向量机算法来预测蛋白质间相互作用.本文的主要工作包含以下几点:(1)蛋白质-蛋白质相互作用在各种生物过程中起关键作用.已经开发了许多方法来预测蛋白质-蛋白质相互作用.然而,许多现有的应用是有局限的,因为它们依赖于大量的同源蛋白和相互作用标记.在本文中,我们提出了一种新的集成学习方法(RF-Ada-DF),和基于氨基酸序列的特征提取方法,用于识别蛋白质-蛋白质相互作用.我们的方法首先通过多元互信息和归一化Moreau-Broto自相关描述符技术构建基于蛋白质序列的特征向量来表示每对蛋白质.然后,我们将提取的638维特征输入到用于判断交互对和非交互对的集成学习模型中.此外,该集成模型在AdaBoost框架中嵌入随机森林,并将弱分类器转换为单个强分类器.同时,我们还采用双误度量故障检测,以抑制训练过程中的过度适应.为了评估新方法的性能,我们对蛋白质间相互作用预测进行了几项综合测试,同时与现有的最优方法的性能进行了比较.在Heli.pylori数据集上,我们的方法实现了88.16%的准确率和87.68%的灵敏度,我们的方法的准确率提高了0.57%.在S.cerevisiae数据集上,我们的方法实现了95.77%的准确率和93.36%的灵敏度,我们的方法的准确率提高了0.76%.在Human数据集上,我们的方法准确率达到98.16%,灵敏度达到96.80%,我们的方法准确率提高了0.6%.实验表明,我们提出的方法可以很有效地提取蛋白质的相互作用信息.(2)配体-受体相互作用在细胞分化,增殖和免疫应答过程所需的信号转导中起重要作用.配体-受体相互作用的分析有助于更深入地了解细胞增殖/分化和其他细胞过程.计算技术将用于促进未来蛋白质组学研究中的配体-受体相互作用研究.在本文中,我们通过定向梯度直方图和离散余弦变换从配体和受体蛋白质序列中提取特征向量.然后我们提出了一种新的计算方法,通过机器学习方法从氨基酸序列预测配体-受体相互作用.我们在配体-受体数据集(不平衡数据集)上提出了两种模型.Neighborhood Fuzzy模型是使用模糊C均值聚类算法将正负类数据集分成若干个子平衡数据集并使用支持向量机算法得到若干个子分类器,然后使用相似性度量(距离度量)选择最优子分类器进行预测.Ensemble Fuzzy模型是使用模糊C均值聚类和bootstrap的方法将数据集平均分为若干个子数据集,然后训练若干个子分类器,最终结果由这些子分类器投票表决的方式得到.为了验证两种模型的性能,我们对配体-受体相互作用数据集进行了五折交叉验证,准确度达到80.08%,灵敏度达到82.98%,特异性达到80.02%.相比于使用单一的支持向量机分类器(灵敏度值是46.28%),模型的灵敏度提高了36.7%.然后,我们在两个蛋白质-蛋白质相互作用数据集上测试我们提取的特征提取方法,并分别达到93.79%和87.46%的准确率.我们提出的方法是鉴定配体-受体相互作用的有用工具.