RNA结合蛋白（RBP,RNA Binding Protein）是普遍存在的能与RNA结合的蛋白质的总称,RBP通过与RNA特异性结合,直接或间接地调控RNA的表达。在生物体内大部分的RNA发挥作用都要与蛋白质相结合,RBP与特异RNA结合的过程又称为RNA-蛋白质相互作用。RNA-蛋白质相互作用的预测是目前生物医学工程领域的重要研究课题,如何利用计算方法提高其预测精度成为当今国内外研究的热点。现阶段研究中,由于人们对RNA与蛋白质的相互作用机制以及结合特性尚未完全了解,传统的机器学习方法提取特征困难,目前暂未出现一种公认的特征提取方法。越来越多的目光转向深度学习方法。然而,深度学习预测方法仍存在以下不足:1.大多数深度学习方法仅考虑序列信息,忽略了二级结构信息。2.部分RBP存在数据规模小的问题,而深度学习模型需要海量数据,导致这些RBP的模型预测能力始终低于平均值。3.大多数预测模型训练时参数随机初始化,模型预测精度提升不明显。4.多数方法仅考虑结合位点是否存在,忽略了结合发生时的序列特异性。针对上述问题,本文的工作内容及研究成果包括:1.构建了RNA序列和结构信息的特征矩阵。RNA结构的修饰及其空间结构的改变都可能导致与其结合的RBP发生变化,因此,本文在RNA序列信息基础上,增加RNA二级结构信息,采用one-hot编码。编码后,序列和结构信息被分别表示为网络可直接读取的数值张量。2.构建了一种生成对抗网络（GAN,Generative Adversarial Networks）增强样本集。本文在24种RBP中,选取8种预测精度低于平均值的RBP,构建生成对抗网络,增强对应的RBP数据规模。通过判别器和生成器交替训练,优化生成器合成质量更高的合成数据。通过生成与真实数据具有相似特征的合成RNA数据,增强训练集规模。在数据增强前后,分析并比较8种RBP的平均AUC值,结果显示数据增强后平均AUC值实现提升。同时,也验证了通过数据增强能够提高预测模型的学习能力和预测能力。3.搭建了一种基于序列和结构特征的卷积自编码器（CAE,Convolutional Auto Encoder）预测模型。在预训练阶段,卷积自编码器在编码器与解码器模型上,以无监督的方式分别训练序列和结构数据。在微调阶段,将已训练好的序列与结构编码器的输出并连,在输出之后添加两层长短期记忆网络层（LSTM,Long Short-Term Memory）,目的是捕获序列motif和结构motif的长期依赖信息,motif是RNA中能与RBP发生结合的具有共性的短序列片段,可以视为RNA的特征。经过公共数据集RBP-24的验证,相较于现有模型,本文预测模型平均AUC值实现了一定的提高。4.提取了发生结合的序列motif与结构motif。在训练完成后,提取序列和结构编码器模型中卷积层的卷积核来分别获取序列和结构motif。卷积核中的参数记录了碱基位置权重,通过与源数据作卷积运算,提取高于设定阈值的短序列,分析所有短序列并得到具有共性的motif。实验结果表明,本文模型所提取的motif与经实验验证的motif具有一定的吻合性,从侧面验证了本文模型拥有较高的预测能力。除此之外,本文还可以提取公共数据集中的未知motif,对结合特性的进一步探索提供研究基础。基于上述研究,本文设计了相关实验,并在公共数据集上对所提方法进行验证。对比现有研究,论文所提方法可实现预测精度的提升（平均AUC值达到0.939）。为了进一步验证方案的有效性,本文设计并实现了“基于数据增强的RNA-蛋白质相互作用预测”的原型系统。本文通过增强训练集规模,提升卷积自编码器的预测能力。该系统利用已训练好的预测模型,接收未知结合位点的任意RNA序列作为输入,预测对应的二级结构,并对序列和二级结构分别编码,通过调用预测模型分别计算该RNA序列与公共数据集中24组RBP的结合概率,返回对应的结合概率值。该系统可为相关领域的研究人员提供分析平台,辅助获取对应RBP的结合偏好,为探究RNA和蛋白质的结合机制提供启发意义。