Moonlighting蛋白质（MPs）也称为多任务蛋白质,是一种具有两种以上截然不同功能的特殊蛋白。研究表明,MPs在细胞调节,疾病机理,生物进化,代谢机制等生物过程中发挥着重要作用。近年来,对MPs的研究开始引起人们的关注。目前已有一些收集数据库实验验证MPs。此外,长链非编码RNA（lnc RNA）的功能研究也是生物学界热门的方向。lnc RNA是一种核苷酸长度大于200nt,且不参与编码蛋白的碱基序列。虽然lnc RNA不编码蛋白,但lnc RNA参与了众多生物过程,包括转录沉默,染色体修饰,核内运输等。因此对lnc RNA的功能研究对发现并理解众多生物机理有重要的推动作用。与MPs相对应,同样存在一种lnc RNA具有多种功能,称为Moonlighting lnc RNA（Mlncs）。Mlncs已被现有的研究推断其具有非常重要的作用,如亚细胞定位,表观遗传等,并且Mlncs也被认为对癌症的治疗有重要意义。相较于近年才开始引起人们关注的MPs研究,Mlncs的研究尚处于萌芽阶段,目前还未见有数据库收集被实验验证的Mlncs。通过生物学实验验证MPs和Mlncs花费昂贵,耗时耗力,且难以在全基因组尺度上大规模鉴定MPs和Mlncs。因此我们论文的工作分别从MPs和Mlncs预测模型构建两方面展开研究。目前已有的MPs预测的计算模型,需要提供蛋白质的多种关联、表达以及功能相关的注释信息。但很多蛋白质的相关注释信息缺失,这极大限制了已有算法的大规模应用。因此,我们开发了一个从序列出发的多模态深度集成学习架构下的MPs从头预测模型MEL-MP（Multimodal Ensemble Learning for predicting MPs）。主要包括1)基于序列的多模态特征（序列组成频率的自相关特征,进化信息,物理化学性质以及二级结构信息）提取;2)不同模态特征的特征学习和预测子模型构建;3)构建多模态特征融合的深度学习架构;4)全面系统的与已有的多模态特征融合方法以及现有的基于计算方法的MPs预测工具比较,MEL-MP具有最优的预测性能,在十折交叉验证的下F1值达到了0.892。另一方面,为了进一步验证我们模型的有效性和实用性,我们应用MEL-MP在人类的全基因组尺度上鉴定MPs,并进一步从染色体分布、疾病关联、进化历史以及功能分析四个不同的角度,对基于我们模型预测的MPs进行了深入的挖掘和分析,从生物角度验证了我们预测结果的有效性。此外为了方便用户的使用,我们开发了MELMP的在线服务平台。针对Mlncs预测,目前已有的工作极其有限,而且是基于网络分析的方式。由于lnc RNA与蛋白质交互（LPI）是lnc RNA最重要和最复杂的分子作用机制之一,因此通过与lncRNAs互作的蛋白质特征对推断lnc RNA分子作用机理、理解其功能具有十分重要的意义,LPI信息是理解和推断lnc RNA功能的最主要途径之一,为此我们论文的第二部分工作是基于lnc RNA-蛋白质互作信息,构建Mlncs预测模型。主要工作是整合lncRNAs互作蛋白质的GO功能和基于多模态深度集成的MPs预测方法MEL-MP的蛋白质的Moonlighting性质,采用两种方式对人类的Mlncs进行无监督鉴别,包括功能注释的相似度聚类算法和基于lnc RNA-MPs关联的富集分析算法,整合两种方法识别到的Mlncs取并集作为最终的Mlncs预测结果。最终,我们基于我们预测得到的Mlncs样本,构建了识别Mlncs的深度学习模型。这表明我们的工作为后续Mlncs研究提供了大量的候选参考。本文提出的基于多源异构信息融合的深度学习模型对MPs和Mlncs的识别与研究起到了很好的推动作用,从而为未来深入研究MPs与Mlncs提供更多的模型和数据支持。