蛋白质作为生物功能的主要实现者,在生命活动中扮演着重要的角色。蛋白质的三维结构是发挥生物功能的基础。我们通过蛋白质的三维结构可以清楚的了解到很多生物学中的现象,例如基因的复制、翻译、转录、突变和遗传密码的分析与破译。我们还可以知道细胞免疫反应、中间代谢、周期调控和信号传导等。目前能准确测得蛋白质三维结构的主要是一些实验方法,例如X-射线衍射和核磁共振等一些物理实验方法,但由于蛋白质的不稳定性以及实验测量的高成本性,通过实验的方法去确定每个蛋白质的结构是不切合实际的,因此通过建模预测的方法来预测蛋白质的结构变成了生物信息学的一个热门的方向。对于蛋白质结构的预测主要通过蛋白-蛋白对接软件来完成。蛋白-蛋白对接主要分为两步:构象的生成和打分排序。首先为了寻找蛋白-蛋白复合物中配体-受体可能的结合模式,通常让配体蛋白与受体蛋白尽可能的接触从而产生足够多的构象。在这些足够多的构象中,尽量包含近天然结构。之后再通过打分函数对这些足够多的构象进行打分排序,从这些构象中挑选出最有可能接近蛋白-蛋白复合物的天然结构的构象。本文通过基于知识的方法,结合机器学习的方法。从已有的蛋白-蛋白复合物结构数据库中根据已知的蛋白-蛋白复合物结构,提取相关信息,结合SVM(support vector machine)训练得到分类模型。利用该模型可对蛋白-蛋白对接过程中生成的构象进行打分排序,从中挑选出最有可能接近蛋白-蛋白复合物天然结构的构象。我们通过利用大量的PPI结构信息,使用机器学习方法构建PPI结合构象的预测模型,希望对提高打分函数在构象识别方面有一定的帮助。