RNA结合蛋白位点的鉴定对细胞生物学在转录、转录后、翻译和翻译后水平至关重要。研究表明,lncRNA可与DNA、RNA和蛋白质相互作用从而调节各种生化过程。值得注意的是,lncRNA与蛋白质相互作用的预测对于研究分子机制、了解疾病的发病机理以及解释lncRNA的功能是必要的。因此,构建一个高性能的系统来预测lncRNA与蛋白质相互作用,对其功能进行注释,对农作物发展和相关研究具有重要意义。本文旨在基于不同的数据形式探讨植物基因组学与深度学习的交叉。为了通用性和探索不同的模型设计原则,利用生物信息技术基于不同的特征提取和选择方法来开发lncRNA-蛋白相互作用预测算法,并基于互作关系进行功能推测。在拟南芥和玉米数据集上进行了实验,验证所提出方法的性能。中心假设是指未知功能的lncRNA可能与相似蛋白相互作用并展现出相似的功能,这可以通过分析它们的相互作用得以了解。其主要的挑战包括特征工程以及针对目标域/基因组知识的深度学习模型学习到的表征解释。首先,提出了基于最优序列特征的高效深度学习模型来预测lncRNA与蛋白质的相互作用。由于lncRNA序列较长,因此使用循环神经网络来捕获上下文长程信息依赖性。然后采用递归特征消除算法进行特征选择以获得最优的性能。在两个植物物种上分别获得了 88.12%和90.74%的准确率。其次,提出了使用图表示学习和结构特征的深度学习模型来预测lncRNA和蛋白质的相互作用。该模型证明了混沌博弈表征和图注意力相结合的有效性,在两个植物物种数据集上的准确率分别达85.76%和91.97%。第三,提出了融合序列及结构特征和采用自注意力机制的多模态集成学习方法,证明了模型在lncRNA和蛋白质相互作用预测中的可扩展性和可解释性。所采用的技术显著提高了性能,在两个植物物种数据集上分别获得了 89.50%和92.32%的准确率。最后,提出了深度神经网络和集成学习的混合算法并预测lncRNA和蛋白质的相互作用,并分析相互作用对lncRNA进行功能注释。实验结果表明,由于lncRNA-蛋白质相互作用很大程度上受序列互补性影响,序列信息只能可靠预测相互作用。在两种植物物种上预测的准确率分别为89.98%和93.44%。又研究了影响深度学习预测性能的关键因素,证明了提出方法对相互作用预测改进的研究价值。本文框架包含了大规模lncRNA和蛋白质数据的综合分析方法,以用于相互作用预测和功能分析。期望所提出的方法具有广阔的前景,以扩展对植物lncRNA与蛋白相互作用以及lncRNA功能研究的认识。