近年来,生命科学和信息技术飞速发展,为基因和蛋白质等基础研究提供了动能。蛋白质参与到生物活动的方方面面,其相关研究对于揭示生命密码具有关键作用,是当前生物信息学领域的研究核心,也是未来精准医学的关键支撑。基因本体项目归一化了不同物种的蛋白质功能,每一个功能都由一个本体术语来描述,术语之间具有父子关系。在高通量测序技术迅速发展的今天,每时每刻都有新的数据诞生,其中包括大量的蛋白质序列数据和蛋白质互作用数据。然而,这些蛋白质中大部分功能是未知的,因此使用某种办法测出或者计算出未知蛋白质的功能,将会极大促进蛋白质组学的发展,对药物研发也是强力的推进。基于生物学实验的方法在测定蛋白质功能时开销很大,并且需要专业的生物学知识,基于深度学习来标注蛋白质的策略应运而生。现有的深度学习方法在解决这类问题时往往只考虑蛋白质序列,忽视了蛋白质-蛋白质互作用网络对蛋白质功能的约束作用,反之亦然。另外,在使用网络表示学习处理蛋白质互作用网络部分模型采用的是通用类型的嵌入算法,并不契合互作用网络本身的特性。不仅如此,大部分序列模型在表示蛋白质时仅仅采用独热编码来表示氨基酸序列,同时采用浅层的神经网络模型来提取特征,无法捕捉序列的复杂性质。本论文针对上述的局限性,进行了以下几个方面的工作。第一,构建蛋白质-蛋白质互作用网络,结合网络的特性来改进现有的网络嵌入算法来获取每个蛋白质的数学表示。第二,采用类似获取单词表示的方法来生成氨基酸子串的表示向量,进而获取蛋白质的矩阵表示。同时改进序列模型,以生物学知识为指导,构建全新的深度学习模型提取蛋白质序列的关键特征,将该特征和蛋白质-蛋白质互作用网络的数学表示结合起来作为蛋白质的总体特征进行预测。在人类和老鼠等数据集上的实验结果表明,本论文的方法在接受者测试曲线下面积等指标上取得了目前已知结果中的最优。本文在蛋白质功能预测课题中融合了蛋白质序列和蛋白质-蛋白质互作用网络数据,在获取网络的嵌入表示时从蛋白质网络的特性入手,改进现有的嵌入算法,使得该相似的蛋白质具有相似的数学表示。同时,在使用深度学习模型获取蛋白质序列特征中参考了生物学知识,这种以领域知识指导的深度学习模型对其他领域也具有重要的参考意义。