蛋白质亚细胞定位预测是蛋白质组学研究中的一个热门主题。随着研究的深入,越来越多的细胞器都被证明存在亚结构,蛋白质的功能可能与它们在亚-亚细胞结构水平上的定位有关。在亚-亚细胞定位问题上,线粒体一直是研究者关注的热点。确定亚线粒体蛋白质的具体位置,不仅有助于更加深入了解蛋白质的功能,而且能为相关药物设计提供信息。在大数据时代,使用计算方法快速、精准地定位亚线粒体位置辅助传统实验方法,具有长远意义。本文基于机器学习和序列信息对蛋白质亚线粒体定位预测算法中存在的问题进行深入研究,主要研究成果如下:(1)提出一种基于集成学习的预测器RLS-Sub Mito,预测三个亚线粒体位置。首先从蛋白质序列中分别提取出二肽组分(DC)、伪氨基酸组成(Pse ACC)和基于自交叉协方差转换的位置相关得分矩阵(ACC-PSSM)三种特征信息,进行融合。其次,通过过采样方法来处理数据中的不平衡问题,再使用极限梯度提升机(XGBoost)方法对融合特征进行排序,筛选出最优子特征。最后,利用由随机森林(RF)、支持向量机(SVM)和轻量级梯度提升机(Light GBM)三种基分类器投票组成的集成分类器预测蛋白质亚线粒体位置。实验结果表明,预测器RLS-Sub Mito在两个基准数据集上都获得不错的预测结果,均高于其他已有的预测器。(2)线粒体有四个亚线粒体区室,但大多的研究人员只考虑了其中的三个,线粒体膜间隙蛋白一直被排除在外。因此,本文提出一种基于深度学习的端到端预测器Deep Pred-Sub Mito,用于预测包含膜间隙区室的线粒体。首先,采用过采样方法来解决数据中存在的不平衡问题。其次,将蛋白质序列剪切成多个重叠的固定长度子序列,每个子序列作为卷积层中的一个通道。再次,训练一个多通道双层卷积神经网络来学习序列中的高级特征。最后在SM424-18数据集和Sub Mito Pred数据集上通过交叉验证方法来衡量模型的性能。实验结果表明,本文提出的预测器Deep Pred-Sub Mito,提高了蛋白质亚线粒体位置的预测准确率。