蛋白质翻译后修饰是指蛋白质合成后发生的化学变化。它可以影响蛋白质的结构、亲电性,控制蛋白质稳定性、定位等关键机制,并调节众多生物学功能。近年来,在不同物种中发现了赖氨酸2-羟基异丁酰化修饰（Lysine 2-hydroxyisobutyrylation,Khib）。进一步研究发现,Khib修饰具有多种生物学功能,参与不同的信号或代谢等通路,包括氨基酸的生物合成、碳代谢、糖酵解和转录等。为系统地了解其调控机制,识别Khib修饰位点是关键步骤。目前在五个不同物种（即人类（Homo sapiens）、水稻（Oryza sativa）、弓形虫（Toxoplasma gondii）、小立碗藓（Physcomitrella patens）和酿酒酵母（Saccharomyces cerevisiae））上,通过Khib特异性抗体结合质谱检测技术发现了成千上万个Khib修饰位点。例如,在小立碗藓上发现了11,976个位点,在水稻中发现了9,916个位点。但是,目前已经开发出两个传统的机器学习预测器（预测器i Lys-Khib针对人类数据集、Khibpred针对除弓形虫外其他四个物种数据集）。为了进一步提高预测算法准确性、覆盖更多的物种,本文分析并开发了一种高效且通用的Khib修饰位点预测模型,涉及的探讨与分析包括以下四点:（1）构建Khib修饰数据集。检索并收集生化实验数据,通过一系列数据清洗构建标准非冗余数据集。（2）Khib修饰序列的特征提取与选择。基于不同的特征编码构建了9个分类器来识别Khib修饰位点。实验结果表明,在传统机器学习中,EAAC编码、EGAAC编码以及ZSCALE三种特征组合后的编码,有效提高了传统的机器学习算法的预测性能。在深度学习算法中,基于独热编码的卷积神经网络算法展示出对Khib修饰位点预测的最优性能和鲁棒性,并且深度学习算法性能均优于传统的机器学习算法。（3）构建第一个基于深度学习的跨物种Khib修饰位点预测模型,命名为DeepKhib。首先分析不同物种的序列特点,比较基于特定物种数据训练所构建的模型和基于全部物种数据训练所构建的模型间的差异,保留了四个特定物种预测模型和一个多物种通用预测模型。其次,将DeepKhib与已发表的模型（i Lys-Khib和Khibpred）进行比较,探讨DeepKhib的优势。（4）把DeepKhib开发成在线预测网站。