随着高通量实验技术迅速发展,催生了大量的蛋白质相互作用图网络数据（Protein-Protein Interaction Network,PPI）。蛋白质的相互作用是指蛋白质在分子水平上的相关性,并从生物化学、信号转导和遗传网络的角度研究这种相关性。在所有生命活动中,蛋白质之间的相互作用是必不可少的,它是细胞进行一切代谢活动的基础。细胞接受外源或内源信号,通过其特有的信号传导通路,调节基因的表达,保持其生物独特特性。基于蛋白质相互作用网络,识别蛋白质功能可以为生物学家提供更有效率地理解细胞组织和功能。蛋白质功能是由多个基础蛋白质节点共同表达,在蛋白质相互作用网络中,它们会组合成蛋白质复合体或者蛋白质通路两种功能模块,协同地表达独有的功能特性。现有的数据挖掘方法试图结合各种生物学信息来提高预测蛋白质复合体和通路的质量,然而,在一个计算模型融合不同生物学信息来挖掘蛋白质不同功能模块,仍然是一个巨大的挑战。最近几年,图神经网络在生命科学中快速发展,广泛应用到了基因相互作用关系、多组学疾病标志物发现和药物与疾病的关联等任务中。基于图神经网络的属性图嵌入方法可以有效融合非欧空间的图结构信息和节点属性,学习更加鲁棒性的节点表示,实现高质量的信息挖掘。在蛋白质相互作用网络中,蛋白质复合体是由多个基础蛋白质节点紧密连接组合,而蛋白质通路的基础蛋白质节点是间接连接,形成互为高阶邻居。现有大多数的方法只针对于蛋白质复合体的识别,而忽略组合成蛋白质通路的基础蛋白,同时也会存在于蛋白质相互作用网络,仅学习到了浅层的邻居蛋白节点信息,可以挖掘处于稠密子图的蛋白质复合体,但无法触及高阶的蛋白节点信息,难以挖掘蛋白质通路信息。同时在深度的图神经网络存在无法避免的过平滑问题,传统的方法采用固定卷积层数且浅层的策略,使节点表征欠平滑;粗糙地堆叠多高层的图网络则会无法区分节点表示,均会导致下游任务的性能下降。各个节点处于图中的不同密度的子图中,节点之间情况差异较大,所需要学习的信息往往是不同的。因此,我们提出一个基于节点平滑度的自适应图卷积网络（Nodewise Adaptive Smoothness-transition Graph Convolution,NASGC）,针对不同情况采用不同阶次图卷积操作可以更好地表征节点。平滑度是评估图中相邻节点之间特征表示相似程度的指标,可用于衡量当下图卷积聚合邻居信息后的平滑程度,一旦平滑度达到饱和,自适应截断当下的图卷积操作,从而缓解过平滑问题的。应用于蛋白质功能识别,我们的模型可以同时关注到处于稠密子图的蛋白质复合体和处于稀疏子图的蛋白质通路,结合蛋白质的基因本体属性信息,学习到了不同密度结构的的蛋白质节点表示,最后挖掘所有的极大团结构,基于节点相似度来识别不同的蛋白质复合体和蛋白质通路。在不同的蛋白质相互作用网络数据中,基于节点平滑度的自适应图卷积网络模型均能达到不错的成绩。