甲型H3N2病毒是一种呼吸道病毒,其表面的蛋白血凝素(hemagglutinin，HA)负责与细胞受体进行结合,从而导致病毒的入侵,同时它也是诱导宿主产生保护性抗体时最重要的抗原物质,是流感疫苗筛选的主要因素。为了逃避宿主免疫,HA的氨基酸序列变化非常快,而这种持续和累积的变化会产生新的抗原株,从而导致季节性流感疫情,甚至造成全球范围的流感大爆发。因此,流感病毒在全世界范围内严重威胁着人类的公众健康。目前,流感疫苗是预防流感和阻止流感疫情爆发最有效的手段,而疫苗免疫效果主要取决于疫苗株和流行株之间的抗原性。因此,分析抗原性对流感疫情的监测和疫苗的选择是至关重要的。深度神经网络成功应用到包括生物信息学的很多领域,但在流感抗原性预测问题上的有效性还没有得到验证。因此,针对甲型H3N2流感病毒及其抗原性特点,本文提出了一种甲型H3N2病毒的抗原性编码方法,设计了甲型H3N2流感病毒抗原性预测模型,在两个数据集上对所设计模型进行对比分析。实验结果表明本文设计的模型优化了甲型H3N2流感病毒抗原性预测。本文的具体工作包括以下四个方面。第一,本文提出了一种甲型H3N2流感抗原性的编码方法。该编码将病毒对上每个位置上的氨基酸和氨基酸替换信息表示为向量。该编码方法不需要任何人工设定,也没有局限于某些特定的位点,同时也为深度学习进行抗原性预测奠定了基础。第二,本文设计了基于双向LSTM甲型H3N2流感病毒抗原性的预测模型。该模型通过一个双向LSTM层来提取序列对中氨基酸、氨基酸替换之间的关键特征,并通过全连接层对抗原性进行预测。第三,本文设计了基于卷积神经网络的甲型H3N2流感病毒抗原性的预测模型。该模型通过卷积层提取病毒序列对上氨基酸、氨基酸替换之间的关键特征。第四,本文将注意力机制和卷积神经网络进行结合并应用到甲型H3N2流感病毒抗原性预测中。实验结果表明,增加模型的深度和复杂度可以进一步优化预测模型。