随着下一代测序技术的发展,蛋白质序列增长迅速。蛋白质对于生命活动至关重要,如基因的转录、调控和翻译等。在这些重要的蛋白质中,有一类蛋白能够与RNA/DNA相互作用被称为RNA/DNA结合蛋白,二者统称为核酸结合蛋白,它们在疾病产生和药物靶标设计的研究中扮演着非常重要的角色。不幸的是,到目前为止,蛋白质和核酸相互作用的机理仍未完全确定,并且传统的生物实验方法需要大量人力、财力和时间,无法满足对大规模蛋白质数据进行测试的需求。因此,如何通过计算的方法从海量蛋白质数据中预测出能够与RNA/DNA结合的蛋白在生物信息学中是一个重要的课题。鉴于RNA/DNA结合蛋白在生物领域的重要性,本文基于深度神经网络来对RNA/DNA结合蛋白进行研究,主要工作包括以下两点:1.RNA结合蛋白的预测。RNA结合蛋白(RBPs)广泛参与各种生物学过程,包括基因调控和蛋白质合成。从非RBPs中识别RBPs对理解这些过程具有重要意义。虽然预测RBPs的计算方法有很多,但这些方法的预测精度仍不理想。本文开发了一种新的方法,即DeepMVF-RBP,它从不同的视角抽取蛋白的特征,然后将多视角的蛋白质特征送入深度信念网络(DBN)中自动抽取高维抽象特征,进而预测该蛋白是否为RBP。多视角特征表示不仅可以捕获局部序列和全局序列信息,还能够捕获序列顺序信息。本文在两份数据集上分别对该方法进行了训练和测试,结果表明多视角特征表示学习在RNA结合蛋白预测中的重要性及本文所构建的模型是研究RNA结合蛋白的一个强有力的理论框架。2.DNA结合蛋白的预测。DNA结合蛋白在许多生物学过程中起着至关重要的作用,如特定的核苷酸序列识别、转录和DNA复制。此外,DNA结合蛋白在治疗遗传病和DNA生物学研究及药物开发方面也有许多重要的应用。本文提出了一种新的预测方法MsDBP,它是一种结合多尺度序列特征的深度神经网络预测方法。本文没有直接描述整个蛋白质,而是将整条蛋白质序列分为不同长度的子序列,然后根据组成信息分别将其编码,通过这种方式我们可以得到关于这条蛋白质的多尺度序列特征。最后,利用集成的Dense层学习抽象特征来识别DNA结合蛋白。该方法在三个独立测试集和一个较大规模的数据集上的测试结果表明我们所提出方法的可行性和有效性。除此之外,本文还搭建了相应的在线预测网站。简言之,在RNA结合蛋白的分类预测中,方法侧重于蛋白质序列的多视角特征表示,结合深度信念网络,弥补了传统的机器学习方法不善于提取特征之间的隐藏关联的缺陷。而在DNA结合蛋白的预测中,本文侧重于抽取蛋白质的多尺度序列特征,并且分析了10种DNA结合蛋白对人类生命活动的影响。