蛋白质翻译后修饰是重要的化学修饰,而不仅仅是“装饰”,其通过蛋白质水解裂解或者将修饰基团添加到一个或多个氨基酸上以改变蛋白质的性质。在1975年,Goldstein等人最先发现了泛素,是一种约8.5千道尔顿的小蛋白质,由76个氨基酸组成。在蛋白质的特定赖氨酸上附着单泛素或聚泛素链是一种重要的翻译后修饰,即为泛素化。对蛋白质泛素化的研究和学习,将对细胞遗传信息的表达调控和多种疾病的理解有重要意义。现存的方法主要分为基于生物实验和基于计算方法。基于生物实验的有质谱法、CHIP-CHIP分析法等,这种传统的实验方法,耗费大量的时间和精力,同时在仪器的购买上,也是昂贵的。因此,基于计算的方法应运而生,可以很好的解决此类问题,也是现今比较热门的方法。主要以特征为核心,前期特征提取和选择的好坏严重影响了模型的性能,特征的缺失或冗余,都会导致结果的偏差和模型的判别能力,因此对人为筛选特征要求很高,而大量的生物特征,无法轻易的判断哪些特征或特征组合会对模型有帮助。基于此,深度学习渐渐引起人们的重视,其提供了多层神经网络和非线性映射操作以挖掘潜在的特征信息,特别是对于大规模的数据集,可以根据原始的数据模式,充分挖掘出潜在的特征信息。本文提出了多模型深层网络结构用于泛素化位点的预测。首先,采用蛋白质赖氨酸修饰数据库(PLMD)作为底层数据库,其涵盖了迄今为止最全的泛素化数据,本文从PLMD中选取全部蛋白质泛素化位点数据,并将数据划分成训练集、测试集和验证集,为了保证结果的准确性,训练集和测试集均采用随机划分的方法,而验证集是选取训练集的30%。接着,针对这个数据集并结合泛素化位点的特性,从三个方面分别提取了不同的数据模式,即蛋白质序列信息(One-ofkey),理化属性(Physico-chemical properties)和进化保守性信息(Position-specific scoring matrix),同时采用滑动窗口技术。然后,采用bootstrap策略用于解决正负样本极不平衡的问题,针对不同的数据模式,设计不同的网络结构,并分别训练好各自的网络模型。最后,将三个网络模型集成在一起,并进行最终的微调,用集成的模型做预测分析。实验结果表明,深度学习算法具有自学习能力,能学习出更有效的特征信息,最终的模型也表现的很优异。敏感性和特异性都得到了提高,最优的性能达到了正确率为66.43%,敏感性值为66.7%,特异性为66.4%,MCC的值为0.221。通过与其他算法比较,更加说明本文方法的有效性以及鲁棒性。