蛋白质是指氨基酸序列,是构成细胞的基本有机物。氨基酸序列的生境稳定性是指在特定的生态环境下,保持其生物活力的能力。分析氨基酸序列的生境稳定性能够辅助合成满足特定环境需求的蛋白质,具有重要科学意义。氨基酸序列的生境稳定性与其结构密切相关,虽然基于蛋白质空间结构进行生境稳定性分析,相较传统的生物学方法降低人力和时间成本,但是获取氨基酸结构信息需要通过X射线晶体衍射分析和核磁共振等生物学实验,周期长且成本高,因此直接使用序列信息进行生境稳定性分析成为重要研究方向。现有氨基酸序列分析方法主要分为两类:依赖专家知识的特征工程方法可以将已知的生物学特征融入建模过程,但是难以表示氨基酸之间复杂隐式关联;氨基酸片段隐向量方法虽然能解决这类不足,但是现有方法采用等长分割氨基酸序列的方式,可能破坏实际存在的稳定氨基酸片段,且没有考虑距离较远的氨基酸关联关系,如alpha螺旋、beta折叠等,影响后续生境稳定性分析。针对上述挑战,本文研究基于氨基酸序列的隐向量学习和生境稳定性预测问题,主要工作如下:一、针对氨基酸序列片段的多样性问题,提出了基于统计的氨基酸序列分割算法。稳定的氨基酸片段的实际长短和组合方式有很多差异,同时具有规律,这种规律蕴含在众多蛋白质实体中,现实数据集包含的氨基酸序列片段的统计结果客观反映了这种规律。本文针对国际学术界普遍采用的NCBI数据集,建立了基于统计的氨基酸序列片段字典,依据最大后验概率的方法进行氨基酸序列分割,使得分割结果能够反映这种存在规律。二、针对氨基酸片段的复杂关联问题,提出了隐空间向量方法。氨基酸片段空间结构的多样性反映了既有显式的直接化学关系,也有隐式的长距离生物特性,本文采用隐向量方法建模这种复杂关联关系。依据氨基酸序列中保守结构域的空间临近性特点,建模向量语义距离,进行表示学习。三、针对生境稳定性预测问题,提出了融合注意力机制的神经网络模型。通过循环神经网络建模氨基酸片段之间的长距离依赖关系,通过卷积神经网络学习不同维度的相关性;针对实际需求的高温高压环境目标,采用联合学习方式共享底层语义信息,分析氨基酸序列的温度和压强生境稳定性。在NCBI数据集上,从四个方面测试模型性能。一是,对比了不同参数设置对模型性能的影响。二是,采用微调机制对模型性能的影响,三是,对比了不同的相关工作,四是,模型各部分组件对模型性能的影响。