蛋白质（Protein）通常由成熟m RNA（可变剪切异构体-isoform）翻译而成,它们是构成生命体的重要物质基础并参与各种生命过程。随着高通量生物技术的广泛应用,蛋白质序列数据、蛋白质功能标注数据、转录组测序数据（RNA-Seq）的规模不断增长,功能未知的蛋白质数量也在不断增加。准确、全面地对蛋白质的功能进行标注不仅可以帮助人们正确理解生命机理,对药物研发、疾病分析、基因富集分析等方面也提供了重要的数据基础。因此,蛋白质功能标注是后基因组时代的基本任务之一。基因本体（Gene Ontology）使用一系列的标准化GO术语来标记蛋白质功能。基因本体有45000多个功能术语,并且术语间存在着复杂的结构关系,构成一个有向无环图（DAG）。由于生物湿实验的局限性,蛋白质通常仅被其中的几个或者几十个术语进行标注,存在大量的缺失,这为准确的预测蛋白质的功能带来了巨大挑战。不仅如此,单个基因在生成蛋白质的过程中会转录生成多个不同的可变剪切异构体（isoform）,进而翻译生成功能不同的蛋白质变种。不同的蛋白质变种拥有不同的功能,但它们均由同一个基因转录翻译产生,这阻碍了计算方法准确地识别蛋白质变种功能。转录组测序（RNA-Seq）技术的蓬勃发展,带来了大量的转录组数据,为蛋白质变种层面准确识别功能奠定了基础。基于此,在更细粒度的研究中,预测蛋白质变种的直接翻译模板isoform的功能是蛋白质功能预测的新方向,并成为近几年蛋白质功能预测的研究热点。本文结合多种蛋白质数据以及基因本体结构,针对当前蛋白质功能预测算法存在的基因本体数据、RNA-seq数据利用不充分的问题,进行蛋白质功能预测研究,以探索蛋白质特征与蛋白质功能间的潜在联系,主要工作如下:（1）提出一种基于基因本体结构的深度模型（Deep GOA）预测蛋白质功能。由于目前的基于深度学习的蛋白质功能预测方法未能较好的利用基因本体结构数据,该方法首先利用GO术语的注释频率和层次结构来初始化它们之间的相关性,再在GO有向无环图上应用图卷积网络（GCN）来学习GO术语的语义表示和潜在的相互关系。同时,该方法将蛋白质序列转化为one-hot编码,再使用卷积神经网络（CNN）中的多种尺寸的卷积核来学习蛋白质序列相对于语义表示的特征表示。之后,Deep GOA计算两个网络的点积,从而端到端的训练整个网络。在人类和玉米蛋白质数据上进行的实验都显示了该方法在蛋白质功能预测中的有效性,并且Deep GOA优于现有的基于深度模型的蛋白质功能预测方法。在消融实验中,证明了该深度模型中GCN和CNN子网络的有效性。（2）提出一种基于深度多示例学习的模型（DMIL-Iso Fun）预测蛋白质变种的直接翻译模板isoform的功能。该方法首先通过RNA-Seq数据建立了isoform层面的共表达网络并且将isoform序列的one-hot编码表示。之后建立了一个多示例学习的卷积神经网络（multi-instance CNN）,并且通过isoform的序列数据与蛋白质层面的标注数据,提取isoform序列特征并且初始化isoform的功能标注。之后在isoform的关联网络中,建立了图卷积网络利用转录组测序数据（RNA-Seq）对isoform的功能标注进行了细化。基于玉米B73第五版基因组数据中已知的isoform功能注释,DMIL-Iso Fun相比现有的isoform功能预测方法在精度上有显著的提升。本文还进一步研究了特定的GO术语:DNA结合（GO:0003677）,锌离子结合（GO:0008270）和磷脂酰肌醇磷酸激酶活性（GO:0016307）,DMIL-Iso Fun能够准确的在isoform层面上区分这些GO术语。在人类数据集也验证了该方法的可行性与优越性。