蛋白质是调控生命活动的重要分子,翻译后修饰（简称:修饰）是蛋白质功能的重要调控机制。发生在特定氨基酸残基的磷酸化、琥珀酰化和棕榈酰化等修饰,通过动态改变蛋白质的构象、活性和亚细胞定位,参与几乎所有生物学过程。蛋白质修饰与功能的异常则与人类疾病的发生发展密切相关。因此,系统整合蛋白质修饰与功能相关的生物医学大数据,利用以深度学习算法为代表的前沿人工智能技术,设计、优化和完善修饰底物、位点和功能预测的计算方法,能够为进一步实验研究和临床实践提供重要的参考信息。本文中,我们围绕蛋白质琥珀酰化位点预测,整合赝氨基酸组成、k-间隔氨基酸对组成、正交二进制编码、氨基酸指数、自相关函数、分组打分系统和位置特异性打分权重共7种序列特征,以及可及性表面区域、二级结构和骨架扭转角共3种结构特征,结合“深度神经网络”算法和传统机器学习算法“惩罚逻辑回归”,设计了“混合学习”（Hybrid Learning）新框架,构建了相应的计算工具Hybrid Succ,实现了0.885的综合预测性能,准确性比已有方法高17.84%–50.62%。我们进一步设计了“渐变概率密度分布”统计方法,结合Hybrid Succ预测了370个潜在影响琥珀酰化的癌症突变。围绕棕榈酰化位点预测,我们设计了“图像表征系统”（Graphic Presentation System,GPS）算法,构建了GPS-Palm软件,提出了“数-图转换”和“数据质量定量评估”两种新策略,将质控之后的位点数据转换成图像数据,再利用图像识别算法“并行卷积神经网络”进行预测,实现了0.855的综合预测性能,准确性比已有算法高31.3%。我们还应用迁移学习技术开发了GPS-PBS软件,能够准确预测磷酸化蛋白质结合结构域特异性结合位点。近期,我们整合了公共数据库中的基因组、转录组、蛋白质组、表观组和药物-靶标等多个层次的大数据,系统开展了液-液相分离相关蛋白质的功能分析,推测重要突变通过改变蛋白质的相分离参与人类疾病发生发展的潜在机制。疫情期间,我们与合作者联合开展了新冠患者血浆样本的定量蛋白质组分析,利用机器学习方法设计了“新冠标志物组合优化”（Prioritization of Optimal biomarker Combinations for COVID-19,POC-19）算法,预测并验证了11个新的分子标志物。此外,我们收集、整合和注释了1,521例新冠患者的胸部CT影像和临床诊断大数据,构建了综合数据库i CTCF,设计了“基于混合学习的新冠无偏预测”（Hybrid learning for Unbia Sed predic Tion of COVID-19,HUST-19）人工智能诊断软件,实现CT影像学和临床诊断数据的高效融合。该系统不仅可准确判断患者是否罹患新冠肺炎,还可以精确预测病情的严重程度及潜在死亡风险。从新冠临床数据中,我们预测了多个与患者生存显著相关的蛋白质标志物,为新冠诊断、病理机制探索和药物靶标发现提供了重要线索。综上所述,我们整合了序列、结构、组学、影像学和临床检测等不同类型的复杂数据,设计了以“混合学习”为代表的人工智能新框架、新技术,初步实现了蛋白质修饰与功能的精准预测,为后续实验研究提供了重要的计算工具和参考信息。