蛋白质翻译后修饰（Post-translational modifications,PTMs）通过对蛋白质的特定氨基酸位点与功能基团进行共价结合来增加蛋白质组的功能多样性。翻译后修饰对大多数的生物过程有着关键性的作用。其中,ADP-核糖化（ADP-ribosylation,ADPr）修饰是将ADP-核糖从烟酰胺腺嘌呤二核苷酸（NAD+）转移到基质蛋白上并释放烟酰胺（Nam）的修饰过程。ADP-核糖化修饰调节许多关键的细胞过程,发现ADP-核糖化的蛋白质靶点氨基酸的修饰可以调节真核生物的关键细胞通路,并为某些细菌的致病性奠定基础。因此,能够从大量的蛋白质序列中准确的识别出ADP-核糖化的修饰位点,不仅能够促进ADP-核糖化的修饰功能与生物作用的研究,还能为临床试验及药物研究提供支持。同大多数的翻译后修饰特点相同,ADP-核糖化修饰的丰度非常低,从而对此修饰的鉴定变得非常困难。随着抗ADP-核糖化修饰抗体的广泛应用结合色谱质谱联用技术,大量的ADP-核糖化修饰位点被鉴定出来。然而,实验操作具有过程复杂且费用高的缺点。随着机器学习技术的发展,有必要基于已鉴定的数据,开发预测模型来确定ADP-核糖化修饰位点。所以,针对目前并没有基于丝氨酸ADP-核糖化修饰位点预测工具的现状,本文进行的主要研究工作如下:（1）构建了丝氨酸ADP-核糖化修饰的数据集:通过收集基于质谱的实验数据并检索标准蛋白质序列数据库（Uniprot）,进行数据清洗来满足建模的要求。（2）丝氨酸ADP-核糖化修饰的特征提取和模型构建:从数据集中提取不同的特征并开发了四个基于传统机器学习算法的分类器以及八个基于深度学习算法的分类器。计算结果表明基于二进制编码的随机森林模型在构建的传统机器学习算法有最好的预测性能,而基于单热编码和词嵌入向量的两个卷积神经网络模型在所有的算法中性能表现最优。（3）在丝氨酸ADP-核糖化修饰位点预测的研究问题上,混合最优的两个深度学习模型构建了预测模型Deep ADPr S,通过十折交叉验证和独立测试,Deep ADPr S在所有模型中表现最好,ROC曲线下与坐标轴围成的面积分别为0.935和0.932,并通过可视化展示来体现Deep ADPr S的优秀预测性能。为了进一步体现Deep ADPr S的性能,本文探讨并使用已发表的基于天冬氨酸（Asp,D）以及谷氨酸（Glu,E）的修饰位点数据,结果表明Deep ADPr S有最高的预测性能。（4）开发了基于Deep ADPr S的丝氨酸ADP-核糖化位点预测在线网站。