摘要：赖氨酸酰化是一种蛋白质翻译后修饰方式,这种修饰在细胞功能、基因转录以及细胞代谢中发挥着关键作用。同时,赖氨酸酰化还涉及生命体多个生物学过程,其异常可能与多种疾病的发生和发展相关。因此,研究赖氨酸酰化位点的预测对于疾病的诊断和治疗具有重要意义。尽管生物医学实验可以高精度地检测赖氨酸酰化位点,但其成本高且耗时较长。为了解决这一问题,研究人员开发了更为便捷和高效的计算方法,以替代传统的生物医学实验技术。本研究开发了一个深度学习方法的预测模型iKcr-RG,该模型采用了双分支策略,同时使用ResNet和BiGRU来提取原始序列编码中的局部特征和全局特征信息。为了进一步提升模型的性能,我们创新性地设计了一种特征融合方法。经过这些优化,本研究在非平衡数据中展现出了更强的鲁棒性和稳定性。在独立数据集的结果中,特异性(Sp)、灵敏性(Sn)、准确性(Acc)和马修斯相关系数(MCC)分别为0.8109、0.7902、0.7940和0.4978。iKcr-RG模型在预测赖氨酸酰化位点优于现有方法,这项研究为深度学习在生物信息学领域的应用提供了新的思路和方法。