赖氨酸琥珀酰化（Lysine succinylation,Ksucc）是一种发生在赖氨酸残基上的酸性酰基化修饰,参与人体重要的生命活动,且其调控机制的异常对肿瘤、结核、神经系统疾病等的发生发展起到关键作用。现有的Ksucc位点研究主要包括传统生物实验技术和计算机辅助预测两方面。传统生物实验技术为Ksucc的深入研究奠定了基础,但其需要较高的成本和大规模的实验规格。计算机辅助预测作为传统生物实验方法的补充,可以实现序列数据的快速异常检测。因此,探索识别Ksucc位点的有效方法来解释潜在的功能机制并揭示发病机制,可以为疾病的有效治疗和针对性药物的研发提供新思路。现有的多数Ksucc位点预测器仍基于传统机器学习算法,而已有的深度学习方法在利用卷积神经网络提取复杂局部特征时,忽略了低层网络层的特征重用及不同特征的重要性差异;利用长短期记忆网络提取序列的长期依赖关系时,未充分关注神经元存储信息的层级结构,不利于下游Ksucc位点的分类任务。针对以上问题,本文引入密集卷积神经网络和有序神经元,实现了Ksucc位点的一般预测和物种特异性预测。本文的主要研究内容如下:（1）现有的Ksucc位点预测器在提取特征时未考虑到网络高低层之间的信息交流和状态传递,且在特征优化时忽略了不同特征对分类任务的重要性差异,造成了一定的信息丢失。本文提出了基于密集卷积注意网络的Ksucc位点预测方法MDCAN-Lys。该方法将原始序列转化为序列信息、物理化学性质和结构特性的抽象表示,引入密集卷积块加强网络高低层卷积层的信息交流和聚合,并引入卷积注意块从通道和空间两个层面实现了特征的自适应优化。实验结果表明,MDCAN-Lys可以作为现有预测器的补充,共同实现潜在Ksucc位点的辅助预测。（2）MDCAN-Lys实现了复杂局部特征的高质量提取,但它未考虑到序列的长期依赖关系。现有基于长短期记忆网络的方法未充分考虑到神经元存储信息的层级结构,不利于模型提取氨基酸残基之间更丰富的语义关系。本文提出了基于密集卷积神经网络和有序神经元的Ksucc位点预测方法Deep-Ksucc。Deep-Ksucc以序列信息和物理化学性质的级联特征为输入,实现了Ksucc位点的一般预测和物种特异性预测。实验结果表明,Deep-Ksucc可以在Ksucc位点的一般预测中取得良好的性能,也可以有效地识别不同物种的序列组成差异。（3）本文基于提出的Ksucc位点预测模型Deep-Ksucc,利用Python网页设计框架Django开发了Ksucc位点预测平台Deep-Ksucc。该平台包括平台信息管理和Ksucc位点预测管理两个模块,为用户提供了平台信息、开发人员的相关信息和Ksucc位点的一般预测和物种特异性预测的在线预测服务,这将有助于后续对Ksucc位点的识别和验证。综上所述,本文基于密集卷积神经网络和有序神经元的并行组合模型分别提取、优化氨基酸序列的复杂局部特征,并关注不同氨基酸残基之间更丰富的语义信息,实现了Ksucc位点的一般预测和物种特异性预测,有助于Ksucc位点的生物鉴定和相关疾病的发病机制研究。