蛋白质是生命细胞的重要组成部分,也是生命活动的主要承担者。随着生物测序技术的发展,蛋白质序列数据得到了快速增长,而相对序列数据而言较少的蛋白质结构数据成为了研究蛋白质功能的主要瓶颈。对于蛋白质组学的研究,人们长期遵循“序列-结构-功能”范式,认为只有具有稳定结构的蛋白质才能够行使功能。但随着研究的深入,研究人员发现包含不稳定结构的蛋白质同样行使重要的生物学功能,并将这类蛋白质称为固有无序蛋白质。目前,采用生物实验技术测定固有无序蛋白质结构具有周期长成本高的缺点,开发快速高效的计算方法变得日益紧迫。本文以具有已知结构的蛋白质序列信息为基础,提出了多个固有无序蛋白质预测方法。本文主要研究内容包括以下几个方面:现有的大多数固有无序蛋白质预测方法是基于滑动窗口的,即以滑动窗口内的蛋白质子序列作为目标氨基酸残基的样本,从而缺乏对残基之间的结构依赖关系的考虑。针对这些方法忽略了蛋白质序列中相邻氨基酸残基之间结构依赖关系的问题,提出了基于条件随机场的固有无序蛋白质预测方法IDP-CRF（Intrinsically Disordered Protein prediction based on Conditional Random Fields）。本文基于四种蛋白质信息,包括进化信息、氨基酸组成信息、蛋白质二级结构信息和相对溶剂可及性信息,刻画蛋白质中每个氨基酸残基的状态特征,并结合转移特征构建了条件随机场预测方法IDP-CRF。实验结果表明,IDP-CRF方法与基于深度神经网络的SPOT-disorder方法取得了可比较性能,并优于其他单模型对比方法。该实验结果说明了相邻氨基酸残基之间的结构依赖关系对固有无序蛋白质预测具有重要意义。针对现有大多数预测方法对包含不同长度无序区域的蛋白质差异信息缺乏有效考虑的问题,提出了固有无序蛋白质预测方法IDP-FSP（Intrinsically Disordered Protein prediction by Fusing Specialized Predictors）。本文依据包含无序区域类型将蛋白质划分为三类:包含长无序区域的蛋白质、只包含短无序区域的蛋白质和包含一般无序区域的蛋白质。基于条件随机场,分别针对三类蛋白质构建预测模型,并采用逻辑回归模型对其整合,得到最终的预测方法IDP-FSP。实验结果表明,IDP-FSP的预测性能优于本文提出的IDP-CRF方法,说明分别对包含不同长度无序区域的蛋白质独立建模可以有效提高固有无序蛋白质预测方法的性能。针对现有的大多数固有无序蛋白质数据集不能模拟真实的蛋白质分布,导致预测结果具有较高假阳率问题,本文提出了结合完全有序蛋白质的卷积循环神经网络预测方法RFPR-IDP（Reduce False Positive Rate of Intrinsically Disordered Protein prediction）。真实世界中的蛋白质是由固有无序蛋白质和完全有序蛋白质组成的,因此,本文首先依据严格的筛选条件从蛋白质数据库中提取完全有序蛋白质序列。然后基于不同的固有无序蛋白质和完全有序蛋白质比例下的数据集,构建了能够学习氨基酸残基的局部序列模式,以及氨基酸残基的远距离依存关系的预测卷积循环网络预测模型,进而分析完全有序蛋白质的作用。实验结果表明,RFPR-IDP方法能够有效降低模型的假阳率。与对比方法相比,在模拟自然界中由不同比例的固有无序蛋白质和完全有序蛋白质组成的大部分数据集上,RFPR-IDP取得了最优的预测性能。针对不同预测方法对蛋白质信息的表征学习能力不同,不能全面利用蛋白质序列信息的问题,提出了固有无序蛋白质融合方法IDP-Meta（Meta method for Intrinsically Disordered Protein prediction）。本文首先结合多序列比对信息,基于长短时记忆网络提出了固有无序蛋白质预测方法IDP-MSA（Intrinsically Disordered Protein prediction based on Multiple Sequence Alignment）。在IDP-MSA的基础上,选取了与IDP-MSA方法中采用的蛋白质信息和机器学习方法具有差异性的两个固有无序蛋白质预测方法IDP-FSP和RFPR-IDP,进而提出了预测固有无序蛋白质的融合方法IDP-Meta。该方法能够获取不同方法的优势以及不同方法之间的互补信息。实验结果表明,与对比方法相比,IDP-Meta取得了最优的预测性能。