随着生物信息学的不断完善和发展,下一代测序技术的出现从根本上改变了种群遗传学、分子数量遗传学、微生物生态学等众多生物学领域的研究方式。蛋白质作为人类细胞中及其重要的分子,随着其结构和功能的不断深入,越来越多的学者致力于对未知蛋白的研究。DNA结合蛋白是蛋白质与DNA结合形成的复合物,其主要功能是组织和压缩DNA以及调节和影响各种生物细胞过程,如转录、重组、修复和修饰等。此外,研究DNA结合蛋白识别对治疗遗传疾病和开发癌症药物有着重要意义。传统的实验方法耗时且昂贵,基于机器学习的方法成为当前预测DNA结合蛋白的主流方法。为了提高识别精度,本文从蛋白质序列信息角度出发,基于机器学习方法开发了新的DNA结合蛋白识别模型。主要研究工作如下:1、DNA结合蛋白预测的主要原理是利用已知蛋白的序列信息推测出未知蛋白。针对PSFM谱对于序列信息提取不完全的现象,本文研究了基于PSFM-DDT的蛋白质向量化方法。首先介绍了位置特异性频率矩阵以及支持向量机特征递归消除法的计算原理,利用不同氨基酸距离转换技术,将PSFM矩阵中两两氨基酸信息转换为固定维向量。随后,使用包装器的特征消除方法,计算数据集中所有特征的权重,从中筛选出最优特征子集,最后,通过支持向量机训练模型,计算模型性能。2、提出了基于Pseudo KNC和集成学习的蛋白质预测框架研究。由于集成学习模型可以通过组合多个基本分类器来实现高精度的集成分类器,因此可提高模型的可靠性。伪氨基酸组成包含大量的序列顺序信息,尤其是全局或远距离序列顺序信息,为了更加全面的提取蛋白质序列特征,本文使用了融合特征空间的方法,将三种不同的特征提取方法提取到的序列特征融合为一体,进一步使用集成学习优化特征,最终模型的精度优于当前同样选择集成学习训练的模型,证明了该框架的合理性和实用性,提高了当前DNA结合蛋白识别的准确度。本文使用了两个广泛应用于DNA结合蛋白识别的数据集,实验结果证明,两种方法对于识别精度的提高有显著的作用,且识别的准确度优于同类模型。