翻译后修饰（PTM）是指在蛋白质生物合成后对蛋白质进行共价修饰,通常是酶修饰。蛋白质翻译后修饰在蛋白质的加工、成熟以及改变蛋白质的物理和化学性质中起着非常重要的作用。蛋白质亚硝基化是一种重要的、可逆的蛋白质翻译后修饰,涉及一系列生物过程。此外,越来越多的人类疾病被发现与亚硝基化异常密切相关。因此,识别和理解亚硝基化对于细胞生物学的研究、疾病治疗十分重要。亚硝基化位点的准确预测不仅有助于揭示亚硝基化过程的分子调控机制,而且对于开发新的治疗策略和药物靶点具有潜在的指导意义。迄今为止,已经有多种亚硝基化位点识别的实验方法被开发。湿实验如生物素转换方法和质谱法可以准确地识别亚硝基化位点,但与使用昂贵、耗时的生物化学实验进行亚硝基化位点预测相比,计算方法因在这方面的良好表现而备受关注。应用机器学习方法预测亚硝基化位点的研究已成为生物信息学的热点,并促进了相关领域的发展。近年来,专家们已经提出了多种识别蛋白质亚硝基化位点的计算预测工具,大大提高亚硝基化位点预测效率。但是大多数预测工具使用的是旧版本的数据集,其中样本数量少不利于模型的学习,会导致过拟合现象的发生。此外其特征工程方法很大程度上依赖于专家们的先验知识,预测精度仍有待提高。因此蛋白质亚硝基化位点预测研究领域仍然值得关注、值得探索。针对亚硝基化位点预测问题,本文提出了一种基于卷积神经网络、门控循环单元的混合型神经网络架构Deep Sno。Deep Sno以亚硝基化蛋白为研究对象,采用最新的大规模数据集进行训练。为处理基准数据集样本不平衡的问题,将Bootstrapping机制引入训练过程,使得每一次网络迭代能够在相对平衡的训练数据集上进行训练,有效避免了数据不平衡带来的预测偏差。Deep Sno选取序列位置信息和理化属性两大类特征,不仅通过特征融合对序列进行多角度表征,还综合CNN网络与GRU网络的优势,深层次挖掘序列局部位置信息和时序相关信息,完成亚硝基化位点预测。上述实验步骤规避了人为干预的特征选择引起的偏差,提升了模型的学习训练能力。为了评估模型的泛化性能,访问6种预测工具并使用独立测试集进行亚硝基化修饰位点预测。考虑到如GPS-SNO、SNOSite等工具提供了阈值选项,为此还进行了不同工具下不同阈值的对比实验,丰富了实验内涵。独立测试集上的实验结果显示,Deep Sno的敏感度、特异性、MCC、F-measure分别可达77.2%、70.0%、0.288、0.335,性能显著优于其他工具,表现了良好的鲁棒性,进一步说明了深度学习框架Deep Sno的有效性。