蛋白质提纯是蛋白质工程中一个重要的研究课题,提纯方法主要与蛋白质属性相关,但并非简单的一一对应。现有提纯方法主要依靠试验人员根据蛋白质属性按照历史经验选择,且提纯试验过程复杂,成本较高。考虑到目前已有大量成功的提纯经验文献,可以根据提纯方法与蛋白质属性的相关性,利用数据挖掘中的分类方法来取代传统的工艺摸索方式,实现蛋白质提纯方法的快速摸索。在分类准确率相同的条件下,朴素贝叶斯算法(Naive Bayes,NB)与神经网络、K-means等分类算法相比较,具有快速性、高效性、简洁性。为了减少计算的复杂度,传统朴素贝叶斯算法默认有两个假设,即：样本全部属性均为相互独立分布；数值型连续属性均满足正态分布。这种假设在一定范围内简化了问题,并达到很好的分类效果。但是,朴素贝叶斯算法的分类精度主要由样本数据的完整性和样本属性的性质综合决定。而在蛋白质提纯过程中,经验文献的表述不尽相同,在获取蛋白质样本数据的过程由于各种无法预测的原因总会出现数据的缺失,蛋白质样本属性也无法始终满足上述两条假设,从而导致分类精度降低。因此直接使用传统朴素贝叶斯方法,并不能有效实现提纯方法的快速摸索。据此,本文在朴素贝叶斯分类算法基础上,建立了一种新算法——EM-KDNB。首先构建属性贝叶斯网络,引入EM算法利用不完整的数据进行参数学习,通过初始化缺失参数,并为每个潜在的初始值赋予权值,建立临权样本,利用新样本迭代收敛至局部最优,填补缺失的参数；然后,基于核密度估计(Kernel Density Estimation),利用分布密度函数(Distribution Density)和选取的局部数据来分析计算最大后验概率,完成分类。通过实验验证,新算法对缺失数据有一定程度的填补效果,对样本不满足正态分布的连续属性具有更好的适应性,分类精度较传统朴素贝叶斯算法也有所提高。本文将改进的新算法应用到蛋白质提纯方法选择中,设计了完整的算法流程,并开发了蛋白质提纯方法选择应用系统,该系统实际应用效果良好,所得方案基本符合专家经验。