蛋白质对于调节和执行细胞的生命活动具有重要作用。只有少数的蛋白质独立发挥作用,大多数蛋白质通常通过与其它蛋白质或分子相互作用发挥其功能。构建和分析大规模蛋白质相互作用网络不仅有助于理解生物分子相互作用机制,还是探索蛋白质功能的一种重要手段。尽管目前在蛋白质-蛋白质相互作用研究方面已经取得了重大进展,但现有的研究仍停留在基因水平上。蛋白质相互作用中已知的“蛋白质”通常被认为是基因通过可变剪接产生的最长/常见的蛋白质,而忽略了可变剪接的影响。可变剪接是基因表达调控的一种非常常见的机制。它使得基因通过多种选择剪接机制产生一个或多个不同的可变剪接异构体,最终翻译形成不同的蛋白质亚型。可变剪接可以通过改变蛋白质结构域的组成直接或间接影响蛋白质之间相互作用的结构域的结合,进而改变蛋白质-蛋白质相互作用。全面地研究可变剪接异构体相互作用网络对于深入理解生物分子网络、探索蛋白质功能至关重要。传统的基因层面的分子网络构建方法并不能直接用于构建可变剪接异构体层面的相互作用网络,主要原因有:1)大多数传统的基因层面的数据并不能够直接提供可变剪接异构体层面的特征;2)缺乏大量的具有相互作用可变剪接异构体对作为“金标准”来构建和评估模型。近年来,RNA-Seq等技术的发展提供了多种类型的可变剪接异构体层面的数据,使得通过融合多种类型的数据来预测可变剪接异构体层面的相互作用成为可能。本文以有效整合多源数据,提高可变剪接异构体相互作用预测精度为目标,设计了一种深度多示例学习框架对可变剪接异构体相互作用预测展开研究。本文的主要工作如下:（1）由于缺乏试验验证的可变剪接异构体层面的相互作用数据,现有的一些研究方法只考虑了一个基因产生一种可变剪接异构体的情况。针对以上问题,本文提出了一种基于深度多示例学习的可变剪接异构体相互作用预测方法（DMIL-Ⅲ）。DMIL-Ⅲ综合考虑了基因产生一个和多个可变剪接异构体的情况,并将可变剪接异构体相互作用预测问题建模为多示例学习问题。在多示例学习框架中,一对基因被看作为一个“包”,分别来自两个基因的不同的可变剪接异构体对被视为“包”内不同的“示例”。另外,本文融合了RNA-Seq、核苷酸序列、结构域-结构域相互作用以及外显子芯片等多种不同类型的生物学数据来描述不同的可变剪接异构体对。DMIL-Ⅲ模型以包含所有可变剪接异构体对特征的基因“包”的数据作为输入,利用卷积神经网络来捕捉“包”内的每一对可变剪接异构体对之间的复杂特征。然后,通过提取的特征计算得到每一对可变剪接异构体的相互作用概率值。由于缺乏可变剪接异构体相互作用数据,DMIL-Ⅲ采用多示例学习思想将可变剪接异构体对的预测值映射到基因对上进行训练和评估。实验结果表明,与现有的可变剪接异构体相互作用预测方法相比,DMIL-Ⅲ通过融合多种不同类型的数据,并利用深度卷积神经网络提取关键特征能够显著提高可变剪接异构体相互作用预测的准确率。（2）基于多示例学习的可变剪接异构体相互作用预测问题中,通常选取基因层面的相互作用数据作为“金标准”来构建和评估模型。在“金标准”数据集中,相互作用的基因对可以从现有的数据库中获得,而不具有相互作用的基因对一般通过不同的亚细胞定位产生。通常,具有相互作用的基因对的数量远小于不具有相互作用的基因对的数量,进而导致了基因层面的类别不平衡。现有的可变剪接异构体相互作用预测研究中都没有考虑类别不平衡问题。针对以上不足,本文提出了一种基于不平衡深度多示例学习的可变剪接异构体相互作用预测研究方法（IDMILIII）。IDMIL-Ⅲ同样将可变剪接异构体相互作用预测问题建模为多示例学习问题,并整合了RNA-Seq、核苷酸序列、氨基酸序列以及外显子芯片数据来描述不同可变剪接异构体对的特征。首先,IDMIL-Ⅲ模型采用卷积神经网络来提取来自同一个基因“包”的不同可变剪接异构体对的特征表示。同时,IDMIL-Ⅲ模型引入了注意力机制来计算每一对可变剪接异构体的权重。通过计算每一对可变剪接异构体的特征表示与注意力权重的逐元素乘积,可以得到一张具有注意力机制的特征图。然后,IDMIL-Ⅲ采用卷积层对得到的具有注意力的特征图进行特征提取,并计算每一对可变剪接异构体相互作用的概率值。接着,IDMIL-Ⅲ采用多示例学习思想将可变剪接异构体层面的预测映射到基因层面。考虑到基因层面的类别不平衡问题,本文提出了一种新的函数来减少多数类样本对模型训练的影响。实验结果表明,IDMIL-Ⅲ在不平衡数据集上具有良好的分类效果;同时,引入注意力机制对于提高可变剪接异构体相互作用预测准确率是有效的。