蛋白质翻译后修饰（PTMs）是调节蛋白质功能的重要机制,使得蛋白质类型更多样、结构更复杂以及功能更完善,在生物学过程和信号通路中发挥着不可替代的作用。近年来,赖氨酸琥珀酰化修饰被发现是一种新型PTMs,能够引起蛋白质特性的改变,对蛋白质结构和功能影响显著。琥珀酰化位点的准确识别对于研究蛋白质细胞功能以及相关疾病的病理研究具有重要意义。由于传统生物实验方法成本高、效率低且实验过程复杂,很难在短时间内获取大量的位点修饰信息,并且现有的计算方法对于预测琥珀酰化位点的效果不佳,有必要开发预测性能更好的计算方法。本文针对以上问题,运用机器学习算法对琥珀酰化位点预测展开研究,主要研究内容包括以下几点:1.建立基于特征融合和Stacking集成学习的预测模型p Suc-FFSEA,通过EBGW、One-Hot、CBOW、CGR和AAF＿DWT提取序列特征和理化性质,应用LASSO方法选择最优特征子集,运用宽度学习、SVM、Light GBM和逻辑回归等机器学习算法构建Stacking集成分类器,对已发表文献中收集到的琥珀酰化位点数据集进行预测,预测准确率达到77.73%,AUC为0.8501。与其它先进模型对比结果表明,本文建立的模型p Suc-FFSEA具有更强的泛化性能。2.建立基于密集卷积块与注意力机制模块的预测模型p Suc-EDBAM,采用OneHot来获取蛋白质序列的特征图,并通过一维CNN生成低级特征图。在特征学习过程中,利用密集卷积块获取不同层次特征信息。同时引入通道注意力机制模块评估不同特征的重要程度。最后使用Softmax分类器对琥珀酰化位点进行预测。结果表明,独立测试集下预测准确率达到74.25%,AUC达到0.8201。与其它先进模型对比发现,p Suc-EDBAM具有更佳的预测性能,并基于同一测试集对模型p Suc-FFSEA和p Suc-EDBAM进行对比测试,结果表明模型p Suc-EDBAM更具优势。3.为了给研究人员提供便利,本文结合Python的Web应用框架Flask基于模型p Suc-EDBAM开发了琥珀酰化位点在线预测平台,可以从https://bioinfo.wugenqian g.top/p Suc-EDBAM/网址访问,该预测平台提供了单条蛋白质序列预测和文件批处理预测两种预测方式,并在网站中提供了用户指南,通过此平台,研究人员可以便捷地实现潜在的琥珀酰化位点预测。