基于机器学习的蛋白质-蛋白质相互作用(PPI)预测可以为蛋白质功能、疾病发生和大规模治疗设计提供非常有价值的帮助。但是大多数基于机器学习的方法都需要做大量的特征工程,这增加了预测任务的工作量和时间成本。新兴的深度学习技术可以自动实现特征工程,在各个领域都取得了巨大的成功。然而,在大多数情况下,深度学习模型的过拟合和泛化性能尚未得到很好的研究。在本文中,我们提出了一个深度神经网络框架(DNN-PPI),它可以利用仅从蛋白质一级序列自动学习到的特征来预测PPI。在这个模型中,来自一个蛋白质对的两条蛋白质序列被分别送入编码层、嵌入层、卷积层以及长短期记忆网络,最后,把两段输出的特征向量合并成一条特征向量,并输入若干全连接层,并通过sigmoid函数完成分类,从而预测蛋白质对是否具有相互作用。本文所提出的方法不仅可以探测氨基酸残基之间的位置关系,还可以探测氨基酸之间的长短期依赖性。同时,相比起传统的机器学习方法需要人工提取序列特征,深度学习模型可以自动地提取更加抽象的特征,也有利于获得更好的预测效果。最终,当该方法运用于Pan的人类蛋白质互作数据集上时,预测准确率为0.988,马修斯相关系数为0.976。在预测六个外部数据集时,准确率从0.928到0.979不等。这些实验结果表明,本研究所提出的方法在预测蛋白质相互作用方面有着明显优势。