蛋白质是组成人体一切细胞、组织的重要成分,机体所有重要的生命活动都需要蛋白质的参与。氨基酸是蛋白质的基本组成元素,不同氨基酸的排列组合构成了蛋白质的基本序列骨架,称为蛋白质序列。通过分析蛋白质序列对进一步分析蛋白质的高级结构信息有着极大帮助,这也是对蛋白质结构乃至功能进行分析的前提和基础,并对下游的药物设计等应用领域也有一定的指导作用。蛋白质序列分析的首要步骤是先对蛋白质序列进行编码提取特征。目前较为常用的编码方式包括将氨基酸残基转变为正交向量的one-hot编码形式、利用多序列比对打分构建PSSM谱编码的方法和将氨基酸序列通过word2vec等工具生成氨基酸向量编码等。本文分别结合了以上这几种特征分析了蛋白质序列的信息。现有的蛋白质序列分析模型中基于双向循环神经网络的方法效果比较突出,这主要是因为蛋白质的序列信息可以和文本的信息有很好的类比相似性。但是RNN,LSTM等模型在有效获得长距离输入信息之间的相互依赖关系方面还有一定缺陷。另一方面,蛋白质序列在局部的范围内相邻氨基酸残基会通过化学键相互连接,而局部氨基酸基团和相邻的氨基酸基团间又通过各种分子作用力相互影响,这也为蛋白质序列分析带来了很大困难。而在Transformer模型中,通过引入Self-attention机制可以有效地解决输入序列内部特征相关性强的问题,可有效地捕捉到长距离输入信息的相互依赖关系,特别适合于蛋白质序列分析问题。基于上述原因,本文分别对蛋白质二级结构预测和水溶性分析两种典型的蛋白质序列分析问题构建了基于Transformer的求解模型。为了检验所提出模型的效果,分别对其进行了数值模拟实验。与已有文献相比,两种方法都取得目前最好的实验结果,表明了基于Self-attention机制的Transformer模型可以很好地解决蛋白质序列分析中的任务。同时本文分析了蛋白质的不同特征的影响,结果发现采用PSSM的特征表示和氨基酸分布式表示方法作为输入的模型结果更好,相对于PSSM以及已有方法中常用的其他特征,氨基酸分布式表示非常简单,无需额外计算,并可以取得相当的效果。本文提出的基于Transformer的蛋白质序列分析方法提高了算法效率,并可在使用更简单特征的情况下超过或接近现有的最好方法。