蛋白质-蛋白质相互作用在很多生物进程中扮演着重要角色,是所有生物体保持正常生理功能的基础。虽然生物实验方法积累了大量的蛋白质相互作用数据,但是实验结果通常存在不同程度的假阳性和假阴性。近年来以机器学习为代表的计算方法在蛋白质相互作用预测方面得到了广泛应用,许多研究人员利用机器学习和蛋白质序列特征编码方法对其进行预测,都取得了较高的预测准确率。事实上,经过实验发现多数方法的预测准确率都被高估,且预测结果会受到数据集的影响。本文使用多种机器学习算法,结合自动协方差序列编码方法对人类的蛋白质相互作用进行预测,研究数据集中蛋白质的重复性对预测结果的影响。首先利用图论中的稠密子图和稀疏子图的挖掘原理以及简单图的最大匹配算法构造多个具有不同的蛋白质重复性的正数据集,利用图的邻接矩阵相关运算对每个正数据集构造一系列具有不同蛋白质重复性的负数据集,将每一个正数据集和其相应的负数据集组合成实验数据集。然后利用自动协方差序列编码方法对实验数据集进行编码,用C4.5、随机森林、朴素贝叶斯、K-近邻四种机器学习算法对编码后的数据进行训练和预测。最后对预测结果进行分析。实验结果显示,不同的实验数据集具有不同的预测准确率,随着实验数据集中蛋白质样本的重复性由高到低的变化,预测准确率也呈现相应的变化趋势。由此,得出结论:利用机器学习预测蛋白质相互作用,预测结果会受到样本的重复性(蛋白质的重复性)的影响,样本的重复性越高,机器学习预测的准确率会越高;利用机器学习预测类似于蛋白质相互作用这类具有样本重复性的问题时要考虑样本重复性对预测结果的影响。