膜蛋白的类型对于了解其结构和功能具有重要意义。随着后基因组时代的到来,传统的通过生物实验进行膜蛋白类型预测的方法逐渐不再适用。基于机器学习的方法因其高效率、低成本,成为替代传统生物实验的一种新方法。鉴于机器学习方法在膜蛋白类型预测中存在着多种优势,本文将对其进行深入研究,具体包括以下几个方面:1.氨基酸组成信息、物化信息和进化信息是蛋白质序列的三种基本信息,本文从这些信息出发,构建了丰富有效的特征表达方法。主要有局部氨基酸组成(LAAC)、局部二肽组成(LDC)、三肽组成(TC)、物化指数和(SPPI)、自相关函数(ACF)、削减位置特异性评分矩阵(RPSSM)、进化差异位置特异性评分矩阵(EDP)和伪位置特异性评分矩阵(PsePSSM)。其中,物化指数和(SPPI)是本文基于AA index数据库提出的一种新的特征表达方法。2.经过特征表达过程后会出现两个问题:高维特征问题和特征异质性问题。当处理高维特征问题时,本文提出了基于最大信息系数和遗传算法的两阶段特征选择算法(MIC-GA)。MIC-GA能够同时得到对分类最为有效的特征子集和对应的最优分类器参数。实验结果证实了 MIC-GA算法在去除冗余特征和提高分类器性能方面的有效性。当处理特征异质性问题时,本文将特征异质性问题转化为分类器异质性问题。利用Stacking集成方法能够很好地处理分类器异质性问题的特点,间接地解决了特征异质性问题。3.膜蛋白数据集经常存在着严重的不平衡问题,这会导致少数类别的样本在预测过程中精度偏低。本文通过采用SMOTE过采样与Tomek Link欠采样相结合的重采样技术,在训练前对数据进行预处理。由于SMOTE方法是在数据维度较高时,会产生大量的噪音数据。因此,本文在数据重采样前,通过改进原始的ReleifF算法,基于模糊隶属度提出了FReliefF特征选择算法(Fuzzy-ReleifF),对数据的特征进行维度约减。实验结果说明了本方法的有效性。