lncRNA是由200多个核苷酸组成的RNA并且无法翻译成蛋白质。大量证据表明,lncRNA在细胞的整个生命周期中发挥着不可或缺的作用,如细胞周期调控、染色质修饰、遗传标记、转录、剪接、基因组重排、mRNA衰变和翻译等。位于细胞核lncRNA通过染色质调节多种基因的表达。例如,morbid是一种核定位的lncRNA。位于胞质溶胶中的lncRNA主要充当转录后调节因子。同样,lncRNA-HGBC,一种细胞质定位的lncRNA,被认为是GBC程序的目标。LncRNA RP11-732M18.3可通过的14-3-3β/α蛋白相互作用促进胶质瘤的治疗。参考上面的例子,我们将意识到lncRNA的亚细胞定位与其功能之间的关系。首先,有许多生物学方法可以识别lncRNA的亚细胞定位。例如,将RNA从细胞核和细胞质中分离出来,并使用RT-PCR定位某个lncRNA。荧光原位杂交（FISH）技术可以在基因组中的功能位点标记lncRNA。由于计算机技术的发展,许多计算方法应运而生来解决lncRNA的亚细胞定位问题。然而,生物学方法或计算方法操作繁琐或不实用,并不能很好地解决LncRNA的亚细胞定位问题。在本文中,我们提出了一种名为IDDLncLoc的新模型,通过集成模型预测lncRNA的亚细胞定位。在IDDLncLoc中,引入了序列特征的集成框架。该框架由五个部分组成:少数样本中的过采样、多数样本中的随机采样、重组为新子集、在新子集上进行训练以及整合输出。首先,我们从RNALocate中收集lncRNA样本并整理出一个基准数据集。之后,我们采用了三种特征来描述lncRNA序列,包括八聚体、基于二核苷酸的自交叉协方差（dinucleotide-based auto-cross covariance）、组成、转换和分布特征（composition,transition and distribution）,并通过二项分布系统地处理特征选择和递归特征消除（recursive feature elimination）找出最优特征。我们也提出了一种新型的CNN网络结果,叫做AFCNN（Attention Fast Convolutional Neural Network）,其中包括了空间注意力机制全新网络结构。最后,基于包含21个AFCNN和20个SVM的集成模型,我们通过随机过采样和欠采样在基准数据集上生成41个子集,结果通过投票策略输出。最终准确率在基准数据集上达到94.96%,比时下最优的lncloc Pred高2.59%。