随着基因工程的完成和后基因组时代的到来,生命研究的方向越来越多地转向功能蛋白质组学等新领域。其中,蛋白质翻译后修饰（PTMs）参与细胞内的信号转导、增殖、发育和分化等大部分生理活动,在各种生物进程中具有重要的意义。各种生物芯片以及高通量测序技术的发展,各种组学数据如基因组,转录组,蛋白质组及代谢组学数据源源不断地涌现。传统实验方法已经不能满足现代研究需求,以计算机为工具,利用数学以及生物学各种工具的机器学习方法,可以解决传统的实验方法昂贵且费时的缺点,在该研究领域地位日益凸显。本文运用机器学习方法,对蛋白质翻译后修饰位点预测进行研究,内容如下:1.提出蛋白质巴豆酰化位点预测模型LightGBM-Cro Site。首先,采用BE、PWAA、EBGW、KNN、Pse PSSM五种方法从氨基酸残基的序列信息、物理化学信息、进化信息多个方面对蛋白质进行特征提取,融合后运用elastic net筛选出最优特征子空间。然后,为了避免样本不平衡对预测结果的干扰,使用SMOTE算法对数据进行处理。最后,使用LightGBM对巴豆酰化位点和非巴豆酰化位点的分类。通过对模型进行性能评估,得到ACC值、MCC值和AUC值分别为98.99%、0.9798和0.9996。结果表明,本文提出的方法优于其它预测方法,可以更好地应用于巴豆酰化位点的预测。2.提出蛋白质丙二酰化位点预测模型Stack-Mal Site。首先采用AAC、BLOSUM62、BPB、EBGW、KNN、MMI、Pse AAC、PSPM和PWAA从氨基酸残基的序列信息、物理化学信息、进化信息多个方面对蛋白质进行特征提取,融合后运用Group lasso筛选出最优特征子空间。最后,使用DNN、CNN、RF和LightGBM为Stacking集成分类器的基分类器,SVM为元分类器对丙二酰化位点进行分类。运用10折交叉验证得到Stack-Mal Site在训练集的ACC值、MCC值和AUC值分别为98.96%、0.7117和0.9921,独立测试集上ACC值、MCC值分别为95.15%、0.7029。和其它预测方法进行比较,结果表明,本文提出的方法优于其它预测方法,可以更好地应用于丙二酰化位点的预测。