跨膜蛋白通常需要在脂质双分子层中形成稳定的寡聚物以激活某些特定的生物功能,例如:部分配体只与跨膜蛋白的二聚物结合以调控特定信号在脂质双分子层中的运输。癌症、糖尿病和囊性纤维化等疾病都与寡聚物模态造成的受体功能障碍直接相关。建立一套基于跨膜蛋白序列的寡聚物模态及其基序预测算法,对理解跨膜蛋白的生物功能及其靶向药物的研发有着重要意义。许多基于模式识别与机器学习理论的寡聚物模态预测模型和基序搜索算法被提出且取得了优秀的性能。然而,现有的寡聚物模态预测模型仅采用离散频率特征量化蛋白质序列,忽略了决定跨膜蛋白寡聚物稳定性的跨膜域残基顺序信息。此外,现有的基序搜索模型依赖大量的同源序列以搜索具有高保守性的子序列图案,并且无法进一步区分具有明确功能的基序和不相关的子序列图案。随着注意力机制被广泛应用于深度模型中,一个可行的寡聚物基序预测方案是在跨膜蛋白的寡聚物模态预测中,利用注意力机制定位其高权重的子序列图案作为潜在的寡聚物基序。本文围绕跨膜域预测问题和寡聚物基序预测问题,提出了基于注意力机制和Global-Local双层结构的特定子序列定位模型。实验结果表明本文提出的定位模型在跨膜蛋白序列上实现多个跨膜域的准确定位,并且该模型在单程跨膜蛋白的跨膜域上成功聚焦已知的大部分二聚物基序。本文的主要研究内容分为以下两部分。（1）基于自注意力机制和Global-Local结构建立新型的跨膜域定位模型GLMFD。跨膜域在跨膜蛋白中按一定规则的氨基酸残基分布组成,Global-Local结构便于模型提取跨膜域的局部子序列图案特征和全局上下文信息。GLMFD模型提出新的迫一惩戒和迫零惩戒用于实现多个跨膜域的同时定位。实验结果表明GLMFD模型取得63.6%的跨膜蛋白类标预测准确率、57.2%的跨膜域数量预测准确率和6.471的平均位置偏差值。我们设计了三组对比实验分别用于证明惩戒项对定位模型的必要性,跨膜蛋白序列上下文信息的重要性以及子序列边界模糊性对局部窗口选取方式带来的影响。（2）基于自注意力机制和Global-Local Bi-LSTM结构建立寡聚物模态及其关键基序预测的GLTM模型。针对跨膜域的寡聚物基序预测任务,GLTM模型相比GLMFD模型有以下三个改进点:第一,跨膜域内的氨基酸残基具有强耦合效应,Local层改用Bi-LSTM增强子序列间的关联性。第二,采用非固定步长的局部窗口选取方式并在One-hot编码中添加了重复度状态以实现新型的数据增强方法。第三,GLTM模型提出了新的位置惩戒项用于学习已知基序的图案模式,以避免注意力机制的惰性定位。实验结果表明,结合了自我惩戒项和位置惩戒项的GLTM模型在97.37%预测精度的基础上,成功定位了大部分已证实的寡聚物基序。可视化结果表明位置惩戒项可以用于鼓励注意力机制聚焦指定的子序列图案。