了解蛋白质的亚细胞位置对于理解蛋白质的功能,蛋白质间的相互作用,药物的靶向治疗具有重要的意义。然而目前利用实验检验的方法来获取蛋白质的亚细胞位置需要耗费很大的成本和时间。因此利用蛋白质亚细胞位置预测工具来对大量的蛋白质进行预测具有重要意义。目前,领域内已经提出了一系列机器学习算法来构建模型,达到预测大规模蛋白质的亚细胞位置的目的。这些分类器关键步骤是将氨基酸序列编码成为特征向量。许多研究已经表明从生物学家所注释的生物域提取的特征,例如基因本体论特征和功能域特征,可以非常有效的提高预测准确性。然而,这些生物注释特征和功能域特征通常拥有很高的维度和大量的冗余,这可能会降低机器学习模型的性能。另外蛋白质可以同时存在于两个或更多个不同的亚细胞位置,而目前对于多亚细胞位置蛋白质的预测效果往往不是十分理想。在本篇论文中,我们提出一种新的基于氨基酸序列的人类蛋白质亚细胞定位预测方法,我们将它命名为Hum-mPLoc 3.0,在该方法中我们对12个人类亚细胞位置进行预测。我们将该蛋白质序列用不同方面的特征表示,即基因本体论(GO)注释特征,基于肽的功能结构域和基于残基的统计特征。为了系统地反映领域知识库的层次结构,我们提出一种称为HCM(隐相关性建模)的特征表示模型,其将通过对注释特征之间的隐藏的相关性建模来创建出更紧凑和更有区别性的特征向量。我们在四个数据集上与领域内其他的预测器进行了比较,实验结果表明,我们的方法能够最有效的预测人类蛋白质的亚细胞位置。同时,Hum-mPLoc 3.0对在Swiss-Prot数据库上的整个人类蛋白质组的进行了大规模应用揭示了细胞中的蛋白质共亚细胞定位偏好。