蛋白质是活细胞生命活动中最主要的载体,执行着生物体内各种重要功能。对蛋白质功能进行自动标注是生物信息学领域的关键问题,也是后基因组时代的核心问题之一。准确全面地对蛋白质进行功能标注,不仅能帮助人们正确理解生命机理,而且对疾病分析、药物研发、农作物促产等研究领域都有着极大的促进作用。基因本体(Gene Ontology,GO)是一种在蛋白质功能预测中被广泛使用的功能标注数据库。本体中包含多于45000个功能标签术语,但是一个蛋白质仅被其中的几个或者几十个功能标签标注,且这些标签间存在复杂的结构关系,给蛋白质功能预测工作带来了巨大挑战。本文结合基因本体建模及其降维学习,进行蛋白质功能预测研究,主要工作如下:(1)提出一种基于基因本体图哈希的蛋白质功能预测方法(HashGO)。该方法首先利用基因本体图结构定义功能标签间的分类相似度,然后将该相似度结合到图哈希技术中并优化一系列哈希函数,再以二进制的形式编码大规模的功能标签术语。其次,利用这些哈希函数将蛋白质-功能标签关联矩阵映射到低维哈希空间,基于海明距离计算蛋白质之间的语义相似度。最后,HashGO基于语义近邻蛋白质的功能预测蛋白质功能。在酵母菌和人类这2个模式生物数据集上都显示了该方法在蛋白质功能标注预测中的有效性和优越性。与现有算法相比,HashGO不仅具有更高的预测精度,而且运行效率也有一定的优势。(2)由于HashGO在本体图哈希的过程中存在破坏基因本体的层次结构关系的风险,本文提出另一种基于基因本体层次结构保持哈希的蛋白质功能预测方法(HPHash)。该方法首先测量功能标签间的层次偏序关系,并基于这种关系指导层次保持哈希技术去编码功能标签术语。其次将蛋白质-功能标签关联矩阵投影到低维哈希空间,并在低维空间中执行基于语义近邻的功能预测。在人类、小家鼠和褐家鼠这3个模式物种上进行的功能预测实验表明,HPHash不仅可以保持本体的层次结构关系来更准确地预测蛋白质缺失的功能标注,而且鲁棒性强。(3)上述两种方法获取的压缩标签可解释性差,且面临着多标记学习中的阈值划分难题。为解决这些问题,本文提出一种基于0-1矩阵分解的蛋白质功能预测方法(ZOMF)。该方法首先将蛋白质-功能标签关联矩阵分解成两个低秩0-1矩阵,挖掘蛋白质和功能标签间的内在关联。其次它利用蛋白质互作网和基因本体结构信息分别针对上述两个低秩矩阵定义了平滑正则项,约束指导低秩矩阵的优化。最后它利用优化获取的低秩矩阵重构关联矩阵,进而实现蛋白质功能预测。在酵母菌、拟南芥、老鼠和人类数据集上的实验表明,ZOMF比已有的相关算法能够更准确地预测蛋白质功能,它无需对重构的矩阵进行阈值划分,压缩的0-1标签可解释性更直观。