近年来,伴随着像基因检测等技术的快速发展,生物序列数据连年剧增,大幅度增长的序列数据促进了生物学许多领域的快速发展。然而,在快速发展的同时仍然存在许多问题等待科研工作者们深入地探索和研究,例如基于残基层面的序列分析,RNA结合蛋白识别,蛋白质无序区域预测识别等。现阶段面对数量规模庞大的序列数据,通过传统的生物实验要消耗大量的社会资源且无法得到很好的效果。为此,寻找或设计一种新的生物序列数据分析方法迫在眉睫,挖掘数据中的内在规律来帮助研究者解决相关问题被视为一条有效的探索途径。如今,人工智能相关理论趋于完善,大数据生态架构日渐成熟,更多的研究者在处理生物序列相关的研究问题时会选用机器学习或数据挖掘等技术来对数据进行潜在的关联分析。通过传统的生物实验识别RNA结合蛋白的方法,因其精确性不高,耗费资源等局限性已无法满足研究的需要。本文通过研究RNA结合蛋白的序列特征,使用特征提取、向量构建等方法挖掘序列的潜在信息,结合机器学习算法构建分类器对RNA结合蛋白序列进行预测识别。本文主要内容包括:本文基于序列特征提出了一个能够为残基层面和序列层面分析任务自动生成预测算子的工具Bio Seq-Analysis2.0。Bio Seq-Analysis2.0分析系统包括了26种残基层面以及90种序列层面的特征提取方法。针对残基层面的分析任务,Bio Seq-Analysis2.0使用滑动窗口策略提取序列中顺序相邻残基的信息,为了更好的捕获全局序列残基间的顺序信息及内在关系,本系统中添加了序列标记算法条件随机场。本文还构建了Bio Seq-Analysis2.0单机工具包,在增强子数据集、m RNA N6-甲基腺苷数据集、蛋白质无序区域数据集上的测试结果表明,通过Bio Seq-Analysis2.0生成的预测算子是有效的。本文基于序列特征和协同学习策略提出了一种识别RNA结合蛋白的方法i RBP-Motif-PSSM。首先,融合Motif-PSSM特征和多种序列特征作为特征向量,借助支持向量机算法构建分类器。之后采用协同学习策略对分类器进行集成,构建最终用于识别RNA结合蛋白的分类器i RBP-Motif-PSSM。将本方法在独立测试数据集和人类蛋白质组数据集上进行对比测试,实验的结果表明i RBP-Motif-PSSM方法能够有效地提高RNA结合蛋白的识别性能。