在蛋白质合成后,许多神经肽和肽激素需要将其羧基末端酰胺化来获得完整的生物活性,酰胺化在生物各种病理过程起着十分重要的作用,所以对其研究具有重要意义。用传统生物实验方法如生物质谱技术等进行研究有着劳动密集、需要时间长和成本高等缺点,而常见的机器学习算法对于特征空间的拟合不是特别完美,所以本文提出了一种集成学习算法来实现对酰胺化位点研究效果的提高,该方法相比之前的方法有了不错的提高。在本文中,提出了一种集成学习算法,stacking算法来进行实验。将高质量指数、氨基酸位置特异性倾向、K间隔氨基酸对相关性三种特征提取方法获得的特征相结合,经过特征选择后分别训练支持向量机、决策树、朴素贝叶斯模型,用改进的K间隔氨基酸组成、氨基酸因子两类特征经过特征选择后分别训练相应最优支持向量机模型,经过上述实验后一共获得五个模型,使用stacking算法将这五个模型作为基模型,利用五折交叉验证获得5维的特征来训练一个逻辑回归模型。最终得到了一个具有不错泛化能力的模型。该方法不但能够将多类特征信息使用到,而且还通过不同类型的分类算法,将不同分类器误分类的特征空间通过其他分类器进行修正,最终获得最好的效果。最后,该模型在独立测试集上能够取得很好的效果,其中敏感性为93.3%,特异性为97.8%,精确度为96.9%。实验结果表明,本文提出的方法相比其他方法有了提升。