DNA-蛋白质间的作用机制与生物体内最基本的生命活动息息相关,如基因的表达和转录、染色质形成等。这种能够与DNA相互作用的蛋白质称为DNA结合蛋白,它们对于研究疾病产生的内在机理和设计药物治疗靶点非常重要。随着后基因组时代的技术发展和高通量测序技术的实施,基于计算方法来识别DNA结合蛋白已经成为一种新的趋势。本文重点研究DNA结合蛋白预测模型中的特征工程,包括特征提取和特征选择,通过此特征工程建立一种准确、有效的DNA结合蛋白预测模型,论文主要内容如下:(1)数据集构建:在Protein Data Bank(PDB)数据库搜索界面搜索“DNA结合蛋白”关键词并提取数据,将长度低于50个氨基酸的序列和含有“X”残基的序列删除,使用CD-HIT、BLASTCLUST软件减少序列间冗余度,构建训练数据集和测试数据集。(2)特征提取:为了充分挖掘蛋白质序列的潜在信息,从氨基酸组成、氨基酸物理化学性质和蛋白质进化信息出发,提取Pse AAC、Local＿DPP、Sliding window、PSSM-DCT和PSSM400五种特征。(3)特征选择:为了最大程度的保留关键信息,去除序列间的冗余性,对特征向量进行降维处理。本文通过比较最小冗余最大相关方法、随机森林法和LASSO法,最终,随机森林方法得出的130维特征结果最优。(4)分类预测:通过10折交叉验证和XGBoost集成学习方法,在训练数据集上构造DNA结合蛋白预测模型,并在测试数据集上验证模型的结果。以准确率、敏感度、特异性、马修斯相关系数和AUC评价指标对模型的分类效率进行评价。通过与i DNA-Prot、DNA-Prot、i DNA-Prot|dis、DNAbinder方法的对比,本文提出的方法在准确率、特异性和马修斯相关系数指标上表现最好,比其他方法分别高出0.1%-19.3%、0.47%-19.5%和0.03-0.401。综合各项指标,本文所建立的预测模型性能高于PSSM-DT、i DNA-Prot方法。此外,根据特征选择后的特征子集分布图发现,基于PSSM的Local＿DPP方法和PSSM400方法对识别DNA结合蛋白最重要。