蛋白质棕榈酰化是蛋白质翻译后脂质共价修饰的一种重要形式,是调控蛋白质的转运、稳定、定位和功能的重要机制。同时,棕榈酰化位点修饰还参与多种细胞生物学进程,与许多疾病的发生发展密切相关。蛋白质棕榈酰化位点预测的目标是从蛋白质的氨基酸序列组成信息及其理化性质出发,利用计算的方法来预测某蛋白质是否会发生棕榈酰化,进而预测发生棕榈酰化的氨基酸残基位点。棕榈酰化位点预测能帮助生物学家从海量的蛋白数据中快速准确地识别出会发生棕榈酰化的蛋白,发现在这些位点背后所隐藏的生物机制和规律,揭示棕榈酰化位点修饰如何影响棕榈酰化蛋白的折叠、活性以及最终的功能等,并最终为众多疾病机理的阐明及攻克某些疾病提供理论依据和解决途径。因此,棕榈酰化位点预测已经成为近年来生物信息学领域中的一个研究热点。在以往研究中,利用生物实验鉴别得到的棕榈酰化位点较为可靠。因此,目前公开的棕榈酰化蛋白数据普遍是由生物实验标注得到。但是这些方法存在耗时耗力,成本昂贵,实验过程复杂等问题。近些年来,随着蛋白质数据库的日益庞大,单纯的生物实验已经无法完成海量蛋白数据的检测,机器学习算法逐渐应用在该领域,使得检测效率大大提高,但仍存在特征偏好和方法泛化等不足。因此蛋白质棕榈酰化位点预测领域的研究还存在着创新和改进的空间。本文针对以往方法中特征单一、模型局限、不适于大量冗杂数据处理等问题,采用多角度特征和神经网络相结合,构建了一个新的基于集成机器学习的棕榈酰化位点预测方法。该方法从两大角度选取四类特征集合,依据不同特征维度构建四个深度卷积神经网络子模块,并将独立特征信息通道的处理结果进行集成,进而对其位点进行预测。测试实验中,该方法从模型整体和多特征层面分别计算了相应的评估值。整体实验结果显示,与目前流行的基于传统机器学习算法实现的预测工具SeqPalm相比,本文的方法所测得的多个评估指标更加均衡,显示出更好的稳定性和泛化性能。对比迁移模型CapsNet,本实验预测结果的准确度、敏感度等均有所提升。多特征实验中,综合特征模型相比于单特征模型,ROC曲线更加平滑,模型更加稳定。综合以上实验结果,本文方法较现有的棕榈酰化位点预测方法,提升了位点预测的准确性和可靠性,证明了该方法在其研究领域的潜在能力。本文所用方法的部分实验步骤略微复杂,仍存在一定的可改进空间。