蛋白-蛋白相互作用(PPIs)在各种生命活动中起着关键的作用。破解PPIs中结构相关的信息，可以帮助我们从原子水平揭示蛋白质的功能，了解生命过程中的许多本质问题，甚至发现新的药物作用靶标。由于实验方法很难甚至无法得到所有蛋白-蛋白复合物的三维结构，因此越来越多的研究人员借助于理论方法来进行PPIs的预测及探索。目前用于PPIs预测的主要理论方法是蛋白-蛋白对接，其通过模拟蛋白质单体之间的相互作用预测可能的蛋白-蛋白复合物的近天然构象。蛋白-蛋白对接的预测精度在很大程度上取决于蛋白-蛋白打分方法的准确性，优秀的蛋白-蛋白打分方法能够从大量的预测物中准确地识别出近天然的结合构象。　　在本论文中，我们发展了一套新的主要用于蛋白-蛋白对接采样阶段的打分方法HawkRank。HawkRank的打分函数主要由范德华势能、静电势能以及去溶剂化势能组成。首先，我们采用Generalized Born(GB)模型计算了800多个蛋白质的溶剂化势能，并在此基础上训练了一个基于溶剂可及化表面积(SASA)的蛋白溶剂化势能预测模型。该模型通过21种原子的SASA加权之和计算出蛋白质的溶剂化势能值。此外，范德华势能和静电势能都是基于Amber ff14SB力场中的相关参数进行计算。最后，基于Benchmark4.0中105个蛋白-蛋白复合物组成的训练集，采用遗传算法，我们得到HawkRank打分函数中五个能量项的最优权重。分别从成功率SR(Success Rate)、改良的成功率MSR(Modified Success Rate)以及预测物得分与RMSDs之间的相关性这三个角度，我们将HawkRank与其它三个常用的打分方法ZRANK、FireDock、dDFIRE进行了系统的比对。从SR的角度看，HawkRank的打分性能要稍弱于ZRANK，但比FireDock和dDFIRE要好。但是从MSR的角度看，HawkRank优于其它三个打分函数，说明相比于其它三个打分函数，HawkRank能找到更多的排名靠前的预测物。此外，HawkRank得分与RMSDs之间有更好的相关性。HawkRank打分迅速、使用方便，且打分性能较好，因此非常适用于蛋白-蛋白对接采样阶段的打分。　　此外，我们用C++为HawkRank打分函数编写了相应的打分软件和在线计算平台。习惯在终端使用命令行的用户，可以从我们课题组的网站下载可执行文件及源码，在本地终端上使用HawkRank进行打分;同时也可以编写简单的脚本来调用HawkRank进行批量打分。我们也为HawkRank开发了在线计算平台，用户在注册登录后，可以在该平台上单个或者批量地提交蛋白-蛋白复合物的打分任务。该网站使用了B/S框架模式和MVC设计模式，前端采用HTML+CSS+JavaScript实现，后端采用Python+MySQL实现。