蛋白质是生物体细胞的重要组成部分,在生命体内又是动态变化的,并存在多种翻译后修饰包括糖基化、磷酸化、泛素化、脂基化等,因此有必要全面地对蛋白质的翻译后修饰进行研究,其中糖基化修饰是最主要的一种修饰,对生命体起着非常重要的作用。半数以上的蛋白质存在糖基化现象,细胞免疫、蛋白翻译调控、蛋白降解等许多生物过程都与其有关。根据糖蛋白中糖链和蛋白质的连接方式,将糖基化大致分为四类:N-连接糖基化、O-连接糖基化、C-连接糖基化,以及糖基磷脂酰肌醇锚定连接。本文的主要工作是针对前面三种糖基化位点,采用深度学习方法对蛋白质糖基化位点预测中的序列特征编码方法以及分类算法的设计进行研究,主要研究内容如下:(1)本文提出了使用深度学习进行糖基化位点预测的特征提取以及分类。深度学习的深层非线性网络结构,可以实现复杂函数逼近,通过无监督的特征学习,学习到数据集本质特征,最终使得分类效果比浅层的分类方法如支持向量机有所提高。同时本文提出了一种新的蛋白糖基化序列的特征编码方式-中心位置信息编码,该方法充分考虑了糖基化序列的结构、位置信息,通过与其他编码方式的对比实验,发现其在O-糖基化位点预测方面分类效果较好。最后,与基于深度学习的包含不同模块的混合模型的深层网络作比较分析。(2)为了进一步提高糖基化位点的预测分类效果,本文提出了使用遗传算法优化深度学习深层网络的权值与偏移量,通过全局自适应搜索算法,以概率方式进行选择、交叉、变异等运算,增大了搜索空间,具有较好的全局优化求解能力,改善了样本数量较少时,预设的随机取值的网络权值与偏移量导致网络易出现局部最小,无法学习到数据集本质特征,从而使最终分类效果不稳定且效果差的问题。使用5折交叉验证,在O-糖基化位点预测时,取得了比传统深度学习方法更好的实验结果。(3)为了方便研究者们通过计算科学研究糖基化位点,本文构建了基于B/S结构的糖基化位点预测系统,实现从蛋白序列出发预测出该蛋白上的糖基化位点。本工作的完成不仅能加深本文对于蛋白质糖基化位点预测的理解,促进蛋白质糖基化的研究,同时对于其他翻译后修饰位点的预测也有一定的指导意义。