跨膜蛋白是一种横跨细胞膜的并且依附在生物膜上的蛋白质,即跨膜蛋白从膜的一侧跨越通向膜的另一侧。有两种类型的跨膜蛋白质:alpha螺旋跨膜蛋白和beta折叠跨膜蛋白。精准的膜蛋白拓扑结构预测的生物信息学方法对于帮助理解它们的功能是非常重要的。过去的几十年关于跨膜蛋白质中跨膜区域位置的预测已经取得了不俗的成就,但是很少有研究把关注点放在预测跨膜蛋白质中Alpha螺旋两亲区域Amphipathic helix(AHs)位置的研究上。从生物学意义上看,AHs区域在感受生物膜的曲率、参与膜小管的形成和与其它蛋白质的信息交互等过程起到了重要作用。因此,我们提出了一个新的模型来预测AHs区域的位置信息,本文利用氨基酸的序列信息构建了一个基于统计学的机器学习模型。为了提高跨膜蛋白质中alpha螺旋两亲区域位置预测的精度,该文首先构建了领域内较完备可用的标准数据集。然后基于蛋白质位置特异性得分矩阵、蛋白质二级结构、Z坐标和疏水矩等特征,并且提出了一种新的衡量两亲性的特征称为螺旋周期性Helix periodicity(HP),针对标准数据集中正负样本的极端不平衡,利用MemBrain剪掉跨膜区域片段和下采样的方法,同时也降低了AHs区域的搜索空间,最后利用特征降维融合分类器集成的方法,训练三种Ensemble学习模型:Ensemble KNN模型、Ensemble SVM模型和AdaBoost分类器模型。相比领域内的其他方法,本文构建的集成学习分类器模型具有更好的鉴别度。分类器集成模型缓解了下采样引发的信息丢失问题。实验结果验证了该方法的有效性,在标准数据集上的测试结果明显优于领域内其他AHs区域位置的预测方法,蛋白质序列的成功预测率达40%,比领域内可用的其他同类的预测器精度高出25-30个百分点。