蛋白质间的相互作用（Protein-Protein Interactions,PPIs）参与了生物体内绝大部分生命活动,对蛋白质相互作用的预测研究是生物信息学领域中一个亟待解决的重要问题。高通量实验室技术的日臻成熟积累了大量的PPIs数据,但数据十分嘈杂且覆盖率很低。近几年,随着计算机技术日新月异的发展,计算方法开始在PPIs领域显现出其优势,基于蛋白质序列与机器学习的计算方法逐渐成为蛋白质相互作用领域的核心研究方法。完整蛋白质序列中包含几十个到几千个氨基酸不等,具有一定的复杂度,单一特征提取方法无法全面捕获完整蛋白质序列中的生物特征,特征融合可以很好地解决这个问题,通过融合包含多种生物信息的特征更全面地描述蛋白质之间的相互作用关系。融合特征中不可避免地存在一些冗余特征影响模型训练,通常采用特征选择在保证模型预测准确率的情况下筛选出最优的特征子集,使得模型表现出更出色的分类能力。如何基于蛋白质序列提取更具生物学意义的特征以及构建高性能的预测模型,是目前研究蛋白质间相互作用面临的重大问题。本文围绕蛋白质间的相互作用,主要研究了基于蛋白质序列的特征提取方法,通过特征选择与特征融合更全面地表示蛋白质序列的特征,构建了机器学习分类模型进行蛋白质间相互作用的预测。论文的主要工作总结如下:（1）提出了一种基于稀疏矩阵的蛋白质相互作用分类算法——ACT-Ada Boost。第一个阶段,对蛋白质序列进行数值特征表征。首先,根据蛋白质的物理化学性质构造每个蛋白质序列的简化序列,并对简化序列进行数值表征;然后,构造每个蛋白质序列的稀疏矩阵,采用行向量切分的方式对蛋白质序列进行二次特征表征,通过融合两种特征更全面地捕获氨基酸序列中的生物特征。第二个阶段,基于支持向量机、随机森林、人工神经网络、K最近邻算法、逻辑回归和Ada Boost构造了6种PPIs分类器,实验结果表明Ada Boost性能最佳,实现了相互作用和非相互作用蛋白质对的有效分类。（2）提出了一种基于相邻和不相邻区域以及抽象特征的提取与融合方法,构建了基于LGBM的蛋白质相互作用分类模型。首先,本文提出了基于区域划分的RCTD特征提取方法,根据子序列和六位二进制编码方式构造出62个相邻和不相邻的氨基酸区域,通过区域划分的方式获取蛋白质序列中相邻和不相邻区域氨基酸的关联信息,并采用基于方差分析的代价函数和粒子群优化算法的AVPSO方法进行特征选择,找到最优特征子集;接着,考虑到蛋白质序列中远距离氨基酸之间的关联信息,本文提出了基于词嵌入和LSTM的特征提取方法捕获氨基酸序列的上下文信息特征;然后,通过融合RCTD特征和LSTM深度特征全方位描述蛋白质间的相互作用关系。最后,以LGBM这一分类树模型作为预测工具对蛋白质序列进行有效的预测分析,对幽门螺旋杆菌和酿酒酵母两个物种的数据集都有十分优异的预测能力。实验结果显示,本文构建的基于RCTD＿LSTM特征和LGBM的分类模型具有出色的PPIs分类预测能力。基于上述研究内容,本文开发了一个蛋白质相互作用预测系统,该系统实现了数据集加载、数据格式转换、蛋白质序列特征提取、模型训练、分类预测等功能,能够为研究人员提供相关学术支持。