蛋白质结构决定其相应的功能,蛋白质结构研究是蛋白质组学研究的基础。蛋白质残基溶剂可及性是一种基础的蛋白质结构信息,它对于分析蛋白质空间三维构象、构建蛋白质三维结构、预测蛋白质与其它分子相互作用以及蛋白质自身的新陈代谢和进化提供重要的基础性意义。蛋白质通过与其它分子(核酸、蛋白质、小分子配体)之间的相互作用表达自身的功能。蛋白质功能残基的分析和识别对于研究蛋白质的功能表达具有重要的现实意义。传统的基于生物物理和生物化学获取蛋白质结构和功能信息的方法需要精密昂贵的实验仪器,繁琐的实验过程和密集的人力资源。这些传统的方法受益于生物信息学的发展,后者通过使用智能计算的方式提供准确的工具预测蛋白质结构信息和功能残基。事实上,仅有约2‰的蛋白质具有较为准确的结构数据。面对海量增长的未知结构和功能的蛋白质,基于智能计算的方法充分发挥了计算机高效便捷和准确的特性,给进一步实验探究提供了丰富的宝贵的线索。本文针对蛋白质残基的溶剂可及性和功能进行了分析和预测,主要成果如下:(1)提出了一种基于权重滑动窗口策略和粒子群优化的回归预测蛋白质残基暴露水平(溶剂可及性)的方法。首先,提取了基于序列的五种类型的特征来编码蛋白质每一个残基及其邻近残基。为了精确量化邻近残基溶剂可及性对于中心残基的影响,采用了基于权重的滑动窗口策略赋予滑动窗口中每个位置不同的权重。最后,使用粒子群优化算法对于支持向量回归算法中的参数进行寻优。该方法在两个基准数据集上的预测性能较于前人的研究方法有较大的提升。该研究探究了不同的回归算法对于模型的影响,对比了不同的参数寻优方法对于预测性能的影响,分析了回归预测误差的来源以及20种氨基酸的平均误差水平。为了验证该方法的泛化性能,同时与之前的预测工具进行对比,该方法连同领域内知名的若干预测工具在独立测试集上进行对比试验。独立测试集上结果证明了本文方法具有较好的泛化性能。(2)提出了一种基于代价敏感性集成学习和空间聚类算法预测抗原蛋白质与抗体相互作用的抗原决定残基及潜在表位的方法。首先,使用五种基于序列的特征对抗原蛋白质残基进行编码,这些特征包括保守性特征、二级结构特征、无序区域特征、二肽构成特征和理化属性特征。为了提高计算速度并且去除冗余特征,使用Fisher-Markov Selector对特征与样本标签进行相关性排序,然后使用增量特征选择方法获得最优特征子集。抗原表位预测是一个典型的不平衡数据分类问题,为了克服传统机器学习在此类问题上的缺陷,本研究引入基于代价敏感性的集成学习算法。考虑到绝大多数抗原决定残基或序列连续或空间邻近的情况,本研究在预测抗原决定残基的基础上,引入空间聚类算法预测这些抗原决定残基可能形成的潜在表位。该方法分别在基准测试集和独立测试集上与前人的方法进行对比,实验结果证明了该方法的有效性和良好的泛化性能。(3)提出了一种基于快速自适应集成学习和配体特异性策略预测亚铁血红素绑定残基的方法。首先根据亚铁血红素绑定残基的特性,综合使用了氨基酸分布特征、motif序列模板特征、表面倾向性特征和二级结构特征。特征分析发现,亚铁血红素绑定残基在半胱氨酸和组氨酸上呈现出富集分布,倾向于蛋白质表面的凹陷区域,较多的集中在二级结构的衔接处。亚铁血红素绑定残基预测是一个典型的不平衡数据分类问题。本研究针对性地提出一种新的快速自适应集成学习算法,该算法旨在通过动态监控和调节子数据集中正负样本比例实现对于子分类器的优化。该算法速度较快同时具有较佳的自适应性;研究中特别针对两种主要的亚铁血红素绑定配体类型引入了配体特异性策略,该策略能够显著提高传统的通用模型的预测准确率。基准测试集和独立测试集上的实验分别证明了该方法相对于其它算法的优越性和良好的泛化性能。文中同时分析论述了测试集正负样本比例对算法造成的潜在影响。最后,本研究发布了在线预测工具,为生物学家高效计算亚铁血红素蛋白质提供了有益的帮助。