细胞的生命活动大多以蛋白质相互作用的形式进行,对蛋白质相互作用进行深入研究,有助于人类更深入理解生物体生命活动的机理。当前基于深度学习的蛋白质相互作用预测方法能够克服传统实验方法的缺陷,通过对海量蛋白质数据进行处理和分析,取得不错的效果。然而,这些方法还存在以下不足,主要表现为:特征选取只考虑了蛋白质的序列特征而忽略了其它特征;序列模型训练速度非常慢;缺乏有效的方法基于蛋白质三级结构进行相互作用预测。针对以上三点,我们在本文中提出了三个算法来改进当前蛋白质相互作用的研究。基于多特征和残差网络的方法是基于蛋白质序列数据进行预测,分别提升预测的准确率和速度,而基于3D网格的方法是本领域首创使用深度学习方法基于蛋白质三级结构数据进行相互作用预测,将蛋白质的结构和功能建立起关联。本文的主要工作如下:基于多特征的蛋白质相互作用预测算法结合了蛋白质的序列特征、局部特征以及物理和结构属性特征,将多特征融合后进行相互作用预测,能够进一步提升预测的准确率。基于残差网络模型的蛋白质相互作用预测算法结合了深层次残差网络的强大特征提取能力,以及卷积神经网络模型能够充分利用GPU的性能进行高效计算的优势,可以在保证高准确率的同时,大大减少训练时长。基于3D网格模型的蛋白质相互作用预测算法利用蛋白质三级结构中原子跟3D图像中像素点的表示方法类似的特点,使用处理方法将蛋白质三级结构数据转换成3D网格,进而使用3D残差网络提取特征和实现蛋白质相互作用预测。