疾病生物标志物在检测疾病以及研究疾病发生和发展的机制中起着重要作用。目前,检测血液、尿液和唾液等体液中的生物标志物是诊断疾病的有效方法之一。由于血液中有许多信号指示各种生理和病理生理状况,因此有关体液生物标志物的大多数研究都集中在血液上。而近年来,随着蛋白质组学技术的提高,研究人员发现尿液也是对疾病进行检测的理想来源之一。并且与血液相比,因为尿液的成分相对简单,可以轻松、无创地获得,所以尿液是更好的生物标志物来源。因此,尿液中的排泄蛋白是体液中最常用的生物标志物之一。在计算识别尿液排泄蛋白的基础上,进一步结合转录组或蛋白质组学数据,可以为预测尿液中的疾病生物标志物提供非常有用的信息。目前,只有很少的基于机器学习算法的模型来预测尿液排泄蛋白,并且这些模型都非常依赖于从尿液排泄蛋白中所提取的特征,所以这些模型很可能由于特征构建的不完整或者特征选择的偏差导致预测性能的不足。在本文中,我们提出了一种用于预测尿液排泄蛋白的深度学习模型。与现有的尿液排泄蛋白预测方法不同,我们提出的模型通过使用基于位置特异性迭代的基本局部比对搜索工具(PSI-BLAST)所得到的位置特异性打分矩阵(PSSM)所表示的氨基酸序列进行预测。模型的框架主要由从位置特异性打分矩阵中提取局部信息的卷积神经网络(CNN)模块,用来提取远距离氨基酸相关性的双向长短期记忆模块(BLSTM)和获取预测尿液排泄相关氨基酸位置的注意力模块组成。构建模型之后,我们验证了所提出模型在训练数据集和独立测试数据集上能够达到91.25%和88.98%的准确率,并且所得到的预测结果优于基于传统机器学习的模型。进一步结合转录组和蛋白质组学数据,我们的模型可以对预测尿液中对应疾病的生物标志物提供非常有用的信息。通过将已知的尿液蛋白生物标志物与我们的模型结果进行比较,我们发现对于多个研究中所检测到的尿液蛋白生物标志物,我们的预测模型可以达到80%以上的真阳性率。我们还将模型与肺癌患者的转录组和蛋白质组学数据进行结合分析,以预测肺癌的潜在尿液蛋白生物标志物。同时,为了方便生物医学研究人员使用,我们还开发了用于预测尿液排泄蛋白的网络服务器。我们所提出的预测模型和开发的服务器对于从事尿液蛋白生物标记物预测研究的生物医学研究人员来说具有实用价值,尤其是当这些研究人员需要使用转录组或蛋白质组学数据来分析所得到的疾病组织的差异表达基因或者蛋白时。