蛋白质翻译后修饰（PTM）作为协调各种生物过程和功能的关键,广泛存在于动植物蛋白质功能的机制中。戊二酰化是一种蛋白质翻译修饰,发生在蛋白质中特定赖氨酸残基的活性ε-氨基上,与各种人类疾病有关,包括糖尿病、癌症和戊二酸尿I型。因此,对于蛋白质戊二酰化位点的预测显得尤为重要。随着计算机科学的发展进步,基于计算方法的蛋白质翻译后修饰位点的预测已成为新的研究方向,并可以解决传统实验方法昂贵且费时的缺陷。本文应用机器学习和深度学习方法,对蛋白质戊二酰化位点预测进行研究。从组成蛋白质序列的氨基酸残基角度看,能发生蛋白质翻译后修饰的氨基酸残基（也即位点）总是占极少数的,这造成了带有翻译后修饰位点的氨基酸序列（正样本）和不带有翻译后修饰位点的氨基酸序列（负样本）之间的数量极不平衡,严重影响了模型预测的性能。鉴于此,本文设计了一种基于对无标签样本进行筛选的算法——紧密筛选（Close Screening）,来解决戊二酰化正负样本不平衡的问题,并结合Light GBM集成学习分类模型,提出了名为CS-i Glu的预测模型。实验表明,该模型对于正样本的预测具有一定优势,在十折叠交叉验证上的灵敏度（Sn）、特异性（Sp）、准确度（ACC）、马修斯相关系数（MCC）和曲线下面积（AUC）分别为78.27%、69.16%、73.53%、0.4755和0.8127。针对CS-iGlu模型泛化能力不足的缺陷,本研究采用注意力残差学习方法和Dense Net,开发了一个新颖的基于深度学习的戊二酰化位点预测模型Deep DN＿iGlu。本研究利用焦点损失函数代替传统的交叉熵损失函数来解决正负样本数量严重不平衡的问题。可以注意到,基于深度学习模型的Deep DN＿i Glu在采用简单的onehot编码方法后,为戊二酰化位点预测提供了更大的潜力,在独立测试集上,灵敏度（Sn）、特异性（Sp）、准确度（ACC）、马修斯相关系数（MCC）和曲线下面积（AUC）分别为89.29%、61.97%、65.15%、0.33和0.80。据作者所知,这是Dense Net首次用于预测戊二酰化位点。Deep DN＿i Glu已被部署为一个web服务器（https://bioinfo.wugenqiang.top/～smw/DeepDN＿iGlu/）,可使戊二酰化位点预测数据更易于访问。