蛋白质是一切生命的基石,承载着重要的生命活动。蛋白质翻译后修饰（Post-Translational Modification,PTM）是对翻译后的蛋白质共价加工的过程。正常PTMs能改变蛋白质结构和性质,调控蛋白质功能,而异常PTMs与人类疾病的发病机制密切相关。因此,探究PTMs机制对于理解蛋白质生物学作用,开发靶点药物等具有重要意义,准确识别PTMs位点是探究的关键。现有的识别PTMs位点的方法主要包括传统生物实验和机器学习方法。实验方法准确率高,但耗时耗力无法适应目前海量生物数据;基于序列信息的机器学习的预测方法大大提高了预测效率,降低了人工成本。然而,机器学习预测方法依赖手工特征提取,人为干预较大,对蛋白质序列信息挖掘不够深入,在非平衡数据集下容易过拟合,限制了模型的预测精度。近年来,深度学习发展迅速,它是由多层神经网络构成。在面向PTMs位点预测模型的构建中,深度学习仅需对序列简单编码,减少信息损失,适用于非平衡数据下提取样本序列的深层特征,可以实现更好的预测精度。本文选定两种翻译后修饰:赖氨酸戊二酰化修饰和半胱氨酸S-亚硝基化修饰。针对这两个PTMs,提出了两个深度学习预测框架。（1）本文针对赖氨酸戊二酰化位点预测问题,基于密集卷积网络-长短期记忆网络,开发了一种新的赖氨酸戊二酰化修饰位点的预测模型Glu-DClstm。首先对蛋白质序列进行简单的one-hot编码,其次通过密集卷积网络和长短期记忆网络组合模型挖掘捕获序列多层次和长期依赖特征信息,最后全连接层整合特征信息输出分类结果。该模型独立测试集的MCC和AUC值分别达到了0.39、0.80。与常见机器学习、深度学习模型以及现有的赖氨酸戊二酰化修饰位点预测模型相比,该模型对非平衡数据下的赖氨酸戊二酰化位点预测精度更高、效果更加优良,可为相关研究提供有效帮助。（2）本文针对半胱氨酸S-亚硝基化位点预测问题,提出了一种基于深度学习算法的预测器SNO-DCA,用于区分S-亚硝基化和非S-亚硝基化位点。首先对蛋白质序列进行one-hot编码,其次利用密集卷积网络捕捉序列中不同层级的特征信息,添加高效通道注意力模块对不同特征进行加权,调整代价敏感函数平衡数据集,最后通过全连接层整合特征,利用Softmax函数实现分类。训练集上十折交叉验证和独立测试集测试的结果表明SNO-DCA模型在非平衡数据集上的预测精度优于其他模型,MCC达到了0.32,AUC达到了0.81。此外为了给广大研究者提供便利,本文基于SNO-DCA模型建立了一个Web服务器预测网站:https://sno.cangmang.xyz/SNO-DCA/,为用户提供在线预测服务。