残基对的相互作用描述了蛋白质三维结构中一对残基的空间距离关系,相互作用的残基对对维护蛋白质结构的稳定起着重要作用。蛋白质中所有残基对的相互作用关系确定了蛋白质三维结构的二维拓扑,所以得到准确的残基对相互作用关系对蛋白质三维结构预测有重要意义。残基对相互作用预测,特别是长范围残基对相互作用预测的准确率一直很低。这主要是因为残基对特征与残基对相互作用的高度非线性,另外残基对正负样本比例的严重失调也降低了模型的泛化能力。本文研究了基于双向递归神经网络的深度序列模型以及减轻样本比例失调影响的训练算法。双向递归神经网络模型不仅可以接收变长的蛋白质序列特征,而且它在处理残基特征的时候也不需要指定滑动窗口大小,但滑动窗口却是普通浅学习方法所需要的。本文的训练算法在控制正负样本比例的同时,动态地选择输入给分类模型的样本。深度神经网络通过大量非线性变换把原始特征转换为高级特征,这种变换很适合残基相互作用预测这样的应用问题,但深度神经网络由于包含多层神经网络又会使超参数的选择成为难题。本文基于Hyperopt超参数优化框架实现了深度序列模型的并行超参数优化。通过快速的并行搜索,我们找到了一个与人工花费大量时间搜索到的模型不相上下的模型。这个模型在多个测试集上获得的中范围残基相互作用预测准确率超过其它方法10%以上,在长范围残基相互作用上的预测结果和当前流行方法不相上下。