细菌在次级代谢过程中产生的天然产物具有丰富的化学结构和生物活性,包含着抗生素、抗癌药物和抗病毒药物等多种类型的小分子候选药物,是开展新型药物研发的重要资源。在细菌基因组中,编码各种天然产物合成的基因以生物合成基因簇（Biosynthetic Gene Cluster,BGC）的形式存在,为从序列到表型的天然产物发掘奠定了理论基础。近年来,测序技术的进步导致细菌基因组数据飞速扩增,推动了BGC预测工具的发展。但受限于传统算法,现有工具在预测精度和泛化能力上仍待提高,无法为日益增长的天然产物研究需求提供有效的技术支持。在深入剖析现有工具的缺陷和细菌BGC预测的难点后,本文基于深度学习和自然语言处理方法,提出了一种能够在蛋白质结构域水平进行BGC挖掘的二分类BGC预测模型BGC-Deep Finder,和一种能够直接识别BGC产物类型的多分类BGC预测模型BGC-Deep Classifier。在具体研究过程中,本文首先基于蛋白质结构域对BGC样本和基因组文本进行序列化表示,构建了正负训练集。其次,基于word2vec算法设计了一种结构域联合嵌入算法,根据上下文关系和超家族信息将不同的结构域编号嵌入为低维稠密的联合向量,实现了序列语义的分布式数字化表示。然后,基于同义词替换思想设计了一种BGC数据增强算法,根据序列相似度定义结构域的同义词关系,将原始BGC序列中的少量结构域随机替换为同义结构域,来生成模拟BGC序列,缓解了正类样本数量匮乏的限制。最后,基于网格搜索和交叉验证对多种网络连接结构下的模型预测性能展开比较,确定采用稠密连接的堆叠双向长短期记忆网络作为核心结构来增加特征提取的稳健性,实现了上述模型。在利用一套注释了341个BGCs的标准细菌基因组数据集开展的性能测试中,本文设计的两种BGC预测模型在不同评价指标下的预测表现均优于当前领先的Cluster Finder和Deep BGC。尤其是BGC-Deep Finder始终保持着最高预测精度,在结构域水平预测的F1分数分别提升了12.1%和5.8%,在最高重叠度阈值下BGC位置预测的F1分数分别提升了19.5%和7.7%,在新型BGC预测上的平均AUC分别提升了9.3%和3.1%。进一步,在来自NCBI数据库的4,000个细菌基因组中,BGCDeep Finder和BGC-Deep Classifier共同识别到了167个未被基准工具捕获的高质量候选BGC。在对其中抗细菌活性得分排在首位的候选BGC进行功能注释后,相关结果一致暗示着该序列编码一种新型抗生素的生物合成潜力。总体而言,上述结果充分验证了BGC-Deep Finder和BGC-Deep Classifier领先的细菌BGC预测性能,证实了本文工作在天然产物药物研发上的应用价值,揭示了利用深度学习在天然产物发掘领域开展更广阔探索的可行性。