目前,癌症是危害人类健康最重要的因素之一,已经成为了全球范围内数百万人口死亡的重要原因。传统的癌症的治疗方法包括靶向治疗、化疗和放射治疗等,在一定程度上能杀死病变癌细胞,但是同时也会杀死大量正常的细胞,带来严重的副作用。这些治疗手段费用昂贵且预后效果不佳,所以迫切需要开发新的定向清除癌细胞的新型抗癌药物。近年来,利用现代生物技术合成的多肽药物因其适应性广、安全性高且疗效显著等特点,已成为癌症治疗药物研发的热点之一。目前,多肽药物已广泛应用于肺癌、乳腺癌、前列腺癌等疾病的治疗,具有广阔的发展前景。在本研究中,本文建立了一种识别抗癌肽的预测模型——PACPs（Prediction of anticancer peptides）模型。该模型是由两层的堆叠框架构成。在第一层,本文将21种特征描述符和13种机器学习分类算法结合得到了273个基学习器。运用两步特征选择的方法,选择了5个基学习器:ET-CKSAAGP,ET-CTD,GDBT-CTD,GDBT-QSOrder,SVM-ASDC,构成了最优基学习器组合。在第二层,将5个基学习器输出的概率向量作为新的特征向量,来训练元学习器LR,其输出作为抗癌肽识别最终的预测结果。基于堆叠方法,PACPs将不同的特征表示符和机器学习分类算法进行了集成,从而整合了每个模型的优点,使PACPs模型成为了一个性能良好的预测模型。PACPs模型在训练集上的AUC值达到了91.56%,在2个测试集上的AUC分别达到了94.26%、90.18%,在独立测试集上达到了80.71%。这些数据集的一致性能验证了PACPs模型的实用性。因此,本文认为PACPs模型在发现抗癌肽作为治疗癌症的新药方面具有推动作用。