蛋白质亚细胞定位预测是指对某种蛋白质或者是基因表达产物所在细胞内的具体存在部位进行预测,即根据蛋白质序列中所包含的特征信息,经过预测算法的分类识别,预测其所在的亚细胞位点,即细胞器。蛋白质的亚细胞位置和其功能高度相关,同时也是蛋白质组学研究的基础。蛋白质是一切生命活动的物质承担者和执行者。但是,其功能的表现依赖其所在的亚细胞位点,只有处于特定的正确的亚细胞位置,蛋白质才能充分发挥其功能,才能正常的参与各项生命活动。蛋白质处于正确的亚细胞位点是生命体正常有序运转的前提和保障。因此,蛋白质的亚细胞定位预测对于机体生理机制的研究是非常有意义的。此外,明确蛋白质的亚细胞位点,对许多疾病发病机理的研究和靶细胞药物的研发都起着至关重要的作用。近几年,随着计算机科学以及生物技术的发展,由高通量实验积累的蛋白质数量呈几何级增长,传统的试验方法费时费力,已经难以满足定位研究的需要。因此,人们通过使用机器学习的方法来对海量的蛋白质进行定位预测。研究还发现有些蛋白质不仅只含有一个亚细胞位点,有的蛋白质在两个甚至是多个亚细胞中存在或者是游动。根据DBMLoc的统计,在所有的已经发现的蛋白质中,超过30%的蛋白质含有多个亚细胞位点。这类蛋白质通常具有特殊的功能,具有对机体更加重要的生物学意义。开发能够快速准确的鉴定新发现蛋白质多个亚细胞位点的计算方法成为了重中之重,多位点蛋白质的数量在不断的增加,因此,蛋白质的亚细胞定位预测开始向多位点定位预测方向发展。蛋白质的多位点定位预测比单位点预测要复杂的多,其本质属于典型的多标记学习问题。因此研究者们纷纷将注意力转移到近来发展迅速的能够处理多标记学习的机器学习方法上来,并取得了较好的成果。就预测步骤而言,蛋白质亚细胞多位点定位预测和单位点定位预测类似,包括以下四个方面的内容:一是数据集的构建,二是对蛋白质序列的特征表示,三是分类算法的设计与实现,四是对预测算法进行评价。本文选择使用两个基数据集:一个是Virus-mPloc分类器中的数据集,另外一个是Gpos-mploc分类器中的数据集。这两个数据集都同时包含单位点蛋白质和多位点蛋白质序列。本文采用的特征提取方法有N端分选信号、伪氨基酸组成模型(PseAAC)、理化组成(PC)、氨基酸指数分布(AAID)和立体化学性质(SP)。在特征提取的过程中,首先将N端分选信号和伪氨基酸组成模型组合起来,即先将氨基酸序列分成两段,然后用伪氨基酸组成模型表示蛋白质序列,得到一个80维的特征向量。然后在整条蛋白质序列上提取理化性质、氨基酸指数分布和立体化学特征,分别得到21维、40维和10维的特征向量。然后分别在两个数据集上采用不同的特征融合方案进行特征融合并得到不同维数的特征向量,经多标记K近邻(ML-KNN)算法的计算以及JackKnife方法的验证,最终在两个数据集上选取适合于本数据集的最佳的特征融合方案。取得了较好的预测效果。与柔性神经树的预测效果相比,ML-KNN算法的预测结果明显较好。