随着高通量蛋白质组学技术的发展，产生了大量的新型蛋白质，随即而来的挑战就是利用高速高效的计算方法对未知新型蛋白质进行功能预测，对蛋白质功能预测方法的研究对解释特定蛋白质和生物信息学的发展具有重要意义。酶是一种特殊的蛋白质，传统的酶功能预测方法实验成本高，特征信息表达有限，因此高效的计算模型和全面的酶特征表示对酶功能的预测变得越来越重要。随着新型酶数量的指数型增长，数据中隐含了大量的特征以及关联，由于可视化技术在数据分析方面的独特优势，因此利用图形化方法对酶以及预测结果数据进行可视化可以清晰地展现数据特征、生动的传达数据之间的关联。
　　首先，针对酶预测过程中的识别分类和预测精度的问题，提出了一种3级并联的深度卷积神经网络模型。构建了两种架构方案对已知功能的酶特征进行学习，并且对架构输出结果采用K最近邻或支持向量机两种分类方法对未知蛋白进行分类预测，有效的提高了酶分类识别的精确度。
　　其次，针对酶的特征信息表达片面缺失的问题，提出了一种较全面的特征信息表示方案。通过使用相关统计学方法对酶的各种特征进行提取，并且采用位置特异性打分矩阵来编码氨基酸的序列特征，与酶的结构特征相结合，增强了酶的有效特征表示。
　　最后，针对数据信息之间关联繁杂的问题，设计了一种可视化方案，对模型的预测结果数据和数据特征进行可视化展示以及分析。并通过具体的实例验证了可视化分析的正确性和有效性，清晰地展现了不同功能的酶特征之间的差异性。