相分离是指在原本均一的环境中,某些蛋白质或者核酸分子自发聚集产生物理化学性质不同的另一相,是无膜细胞器形成的基础。正常的相分离在生物体内发挥着多种生物学功能,如转录、自噬等,而相分离异常时可能会引起一些神经性系统疾病以及肿瘤的发生。通过鉴定调控蛋白质相分离的关键氨基酸序列来探究相分离机制是该领域中重要的研究课题之一。然而,目前仍缺乏有效的工具来识别调控序列。相较于传统实验方法,生物信息学的计算方法具有成本低、运行速度快等优点,因此,开发相应的计算工具十分重要。本论文通过查阅Pub Med数据库的文献,手动收集了实验验证的调控蛋白质相分离的关键氨基酸序列,然后采用随机森林算法建模,利用TPOT包进行超参数优化,最终开发了预测工具dSCOPE并搭建相应的网页服务。此外,利用构建的预测工具对人源蛋白质组进行了一系列生物信息学分析,取得了以下研究成果。（1）数据收集及特征描述。从已发表文献中收集所有经过实验验证的调控蛋白质相分离的关键氨基酸序列并去冗余,分析其理化特征。结果发现调控序列更倾向于由极性不带电的氨基酸组成,序列复杂程度低、无序、结构类似于朊病毒样并且常裸露在外。利用步长为8长度为15的滑动窗口截取蛋白质肽段从而确定基准数据集。将经过实验验证的决定蛋白质相分离的氨基酸序列作为阳性数据,同一条蛋白质上其他区域的氨基酸序列作为阴性数据,最终获得1,737条阳性数据和3,125条阴性数据组成的人源蛋白质氨基酸序列数据作为训练数据集,379条阳性数据和1,075条阴性数据构成的酵母数据作为测试数据集。（2）预测模型的构建及评估。将人源蛋白质氨基酸序列数据作为训练集,酵母数据作为测试集,采用氨基酸组成、k-spaced氨基酸对构成、氨基酸位置特异性评分矩阵和二进制编码这四种特征提取方法,整合八种理化特性（朊病毒样序列、表面可及性、氨基酸的极性、电荷、亲疏水性、氨基酸序列是否裸露在外、序列的低复杂度和无序程度）,然后构建相应的随机森林算法模型并优化参数。利用n折交叉验证和独立测试集验证来对模型性能进行评估。交叉验证结果表明,预测模型具有良好的鲁棒性,其四折、六折、八折、十折交叉验证的受试者工作特性曲线下面积（Area under curve,AUC）分别为0.8204、0.8129、0.8238、0.8213。在独立测试集中,预测模型AUC值为0.8463,优于现有预测工具。（3）dSCOPE在线工具的开发。利用Python、Java Script、PHP和HTML等编程语言,同时整合蛋白质二级结构、细胞亚定位和氨基酸理化性质等信息,搭建了一个全面的用于预测调控蛋白质相分离关键氨基酸序列的网页服务dSCOPE。（4）蛋白质组水平的预测和分析。基于dSCOPE预测软件,对人源蛋白质组进行了进一步的生物信息学分析,包括蛋白质翻译后修饰分析、功能注释、相分离蛋白与激酶和转录因子间的相互作用以及泛癌症突变分析。功能注释和翻译后修饰分析表明,相分离参与调控细胞内转录、增殖、凋亡等生理途径,而且赖氨酸修饰和磷酸化修饰会影响蛋白质相分离的发生。在泛癌症突变分析中,我们发现dSCOPE预测结果与实验验证结果一致,错义致瘤突变均在含有功能结构域的区域富集。综上所述,dSCOPE在对调控蛋白质相分离的关键氨基酸序列的预测中有着不错的表现,同时在网页服务器中实现了多种有用信息的可视化,为相分离相关研究提供了便利。