膜蛋白作为蛋白质功能的体现者和承担者,在蛋白质组学研究中占有重要地位。研究表明,某些疾病的产生与膜蛋白功能及结构的改变有很大关系,因此,针对膜蛋白类型进行精确的分类预测成为一项重要的研究课题。面对海量膜蛋白序列数据,采用机器学习分类的方法,不仅节约时间、精力,而且能够提高序列数据的利用率。在复杂的蛋白质序列信息中,使用膜蛋白的物理化学性质,序列相关性以及序列进化信息,提取有效的特征,是本文处理序列特征的主要方法。本文提出了一种膜蛋白序列特征融合的表达方法并针对高维特征进行维度约减处理,最后使用多种分类器,引入集成分类思想开展实验对比,我们取得了前沿的成果,实验结果也充分表明融合表达方法的有效性。本文工作具体如下:(1)通过对膜蛋白的序列信息的分析,提出了融合四种特征抽取方法:伪氨基酸组成(40维)、二肽组成(400维)、氨基酸的属性组(13维)和位置特异性分数矩阵(400维)的方法,将原始的膜蛋白序列转化为一个853维度的特征向量。该特征中包含了丰富的序列特征信息,为后续建立可靠的预测模型奠定了良好的基础。(2)膜蛋白特征融合方法也同时带来了信息冗余和维度灾难的问题。因此,本文使用两种降维算法:主成分分析(PCA)与线性判别分析(LDA)。实验表明,经过降维处理后的融合表达方法不仅能够提高运算效率,分类性能也得到了改善。(3)为了进一步提高膜蛋白分类预测性能,本文引入集成学习中的Stacking集成学习框架。框架中的基分类器包括K近邻(KNN)、支持向量机(SVM)、神经网络(NN)和随机森林(RF),元分类器采用多元逻辑斯蒂回归算法(MLR)。实验表明,该方案能够获得更好的预测准确率。