抗氧化蛋白对于药物的开发和筛选具有十分重要的意义。抗氧化蛋白的鉴定已成为药物开发的关键工作之一,同时也是生物信息学领域研究的热点问题。传统的生物化学鉴定方法存在耗时长、费用昂贵等问题。随着蛋白质组学的发展、计算机硬件性能的提升以及机器学习算法的更新,使用数据挖掘和机器学习的方法鉴定抗氧化蛋白以替代传统的生物化学方法,成为了一种趋势。当前抗氧化蛋白的分类方法存在准确率低、速度慢的问题,为了提高抗氧化蛋白分类的精度和速度,本文基于机器学习和序列信息研究抗氧化蛋白的分类方法,具体的研究内容如下:（1）本文提出了一种利用 CKSAAP（Composition of K-spaced Amino Acid Pairs）和CTriad（Conjoint Triad）特征分类抗氧化蛋白的方法。该方法采用SMOTE处理不平衡数据,利用 MRMD（Max-Relevance-Max-Distance algorithm）进行特征筛选。使用 10 折交叉验证训练随机森林分类器,将训练好的分类器应用于测试集得出的准确度为0.8。由于抗氧化蛋白的数量少,在处理不平衡问题时,使用过采样方法可以强化抗氧化蛋白的信号特征。从实验结果来看,SMOTE方法取得了更好的效果。此外,本文分析特征发现,抗氧化蛋白序列中疏水性氨基酸组成的三联体含量高。因此,可以利用蛋白的疏水性分类抗氧化蛋白。（2）在第一个方法的基础上,本文提出了另一种抗氧化蛋白的分类方法AOPM（Antioxidant Protein Classification Method）。AOPM 采用 188D 和 CKSAAP 提取特征集,选择MRMD对特征集进行过滤,使用5折交叉验证训练随机森林分类器。训练好的分类器在测试集上获得了 0.92的准确度。此外,AOPM还对药物数据集（DrugB ank）的数据进行了预测,发现了具有抗氧化性的蛋白质,证明了基于序列信息进行药物筛选的可行性,并为药物研发提供了新思路和解决方案。除此之外,本文构建了一个抗氧化蛋白的分类系统。该系统可以针对用户上传的蛋白质序列训练分类器并分类抗氧化蛋白。用户可以选择已有的方法进行预测,或者使用个人数据集训练分类器。该系统最终实现了在线训练分类器、分类抗氧化蛋白以及输出结果等功能,为科研人员的研究提供了有效的支持。