随着后基因时代的来临,越来越多的未知功能的蛋白质序列也在被迅速的被发现,预测蛋白质的功能是后基因时代的主要挑战之一。癌症凝集素是一种在肿瘤细胞分化和转移中发挥重要作用的蛋白质,准确鉴定出癌症凝集素有助于明确癌症治疗发展的方向。然而,传统的生物化学实验方法既费钱又耗时,现有的基于计算机的鉴定方法也不尽如人意。鉴定效果不够好的主要原因是输入分类模型的特征没能很好的表达出蛋白质的复杂性与序列多样性。因此,本文提出了一种将多特征信息相融合的特征表达算法来区分癌症和非癌症凝集素,主要内容如下:(1)基于多信息融合的两步特征提取算法。具体地,基于几种常用的单特征表达算法进行融合:包含序列信息的三肽组成(Tripeptide Composition,TipC)、包含序列信息和物理化学信息的联合三元组(conjointtriad)和包含功能信息的基因本体论(Gene Ontology,GO)注释。两部特征提取算法结合了序列信息与GO注释信息:首先使用将TipC和蛋白相互作用网络(PPI网络)融合的DeepGO算法得到GO注释,然后将所得GO注释转化为特征向量。实验结果表明,相对于单特征表达,该方法包含更多蛋白质信息,能更好的对凝集素进行鉴定。(2)高维度问题在单特征表达中已经出现,融合后的特征向量更是不可避免出现地会出现高维度问题。区别于以往在癌症凝集素鉴定中只出现过的特征选择算法,本文使用线性判别分析算法对特征进行降维处理,将两步特征提取得到的588维特征向量降至更适合用于分类的低维向量,并将预测准确率提高到了87.57%。(3)进一步结合蛋白质物化信息,将包含氨基酸偶极子和体积信息的联合三元组与上述两步特征提取算法相融合,得到包含序列信息、注释信息和物化信息的特征向量,再次将预测准确率提高了 1.95%。