在后基因组时代,随着高通量测序技术的不断发展和应用,亚细胞位置未知的蛋白质序列数据海量积累,同时具有多个亚细胞位置的蛋白质数量也快速增长,只靠传统的实验手段进行蛋白质亚细胞定位已越来越难以适应这种形势,于是基于机器学习的蛋白质亚细胞定位预测方法逐渐发展起来,这种方法大都采用分类学习的手段进行预测。对预测方法进行研究有助于蛋白质亚细胞定位问题的解决,而蛋白质的亚细胞位置信息能够为进一步确定蛋白质的功能提供非常有价值的线索,这有利于加速对蛋白质“序列-结构-功能”映射关系的解密,为蛋白质数据的注释和管理提供支持。在已经出现的蛋白质亚细胞定位预测方法中,对集成多标记学习技术的应用还比较少,而且大都只关注对特定问题、特定算法或技术的研究,缺少对通用型可扩展预测系统的探索,特别是针对基于集成多标记学习的预测系统。研究构建集成多标记学习模型的底层基础结构,为进一步实现基于集成多标记学习的蛋白质亚细胞定位预测系统建立良好支持,同时也为设计解决其它多标记学习问题的系统提供模型参考,这在理论和实践方面都需要深入研究。

蛋白质标记定位系统的生物分子质谱成像（MSI）技术已成功用于直接分析生物组织切片．不仅避免了繁琐的样品提取、纯化和分离步骤，而且能够获取生物组织中蛋白质和多肽表达谱。并绘制二维质谱图像。质谱成像技术不需要预知蛋白的种类，不要要抗体标记，甚至不需要荧光染色，就能鉴定出未知的蛋白质．

目前蛋白质标记定位系统已广泛用于生理和病理组织中蛋白质的表达以及其他分子标志物的发现。这一方法能够使HE染色与质谱成像（MSI）的结果很好地关联起来。

广义的生物标志物是指任何一种可以标记出特殊疾病状况，或是有机体生化机能状态的物质，还可以是用来衡量有机体的功能及健康的指标物质。肿瘤生物标记物是肿瘤直接产生或由身体对癌症特定响应分泌的物质，这些物质或过程的存在表明癌症存在于人体。

标记物的类型有基因生物标记、蛋白质生物标记以及其他细胞、病毒、碳水化合物等生物标记。这些标记物存在于肿瘤组织、组织间隙液、血液等体液中，可用于诊断、预测、药物研发、个性化医疗、代理指标等。早在1950年科学家就开始意识到血液里循环的生物分子能够反映肿瘤细胞的状态，目前对标志物的研发过程主要包括发现和筛选候选标志物以及验证等。

在后基因组时代，科学家们不满足对ATCG的探索，也开启了蛋白质组学的研究。我们开始关注蛋白标志物。细胞中，除水分外，蛋白质约占细胞内物质的80%，因此它是构成机体组织、器官的主要成分，也是细胞生命活动的基础。

蛋白质按照功能不同可以分为结构蛋白、营养和储存蛋白、调节蛋白、运输蛋白、催化蛋白、信使蛋白、防御蛋白等。作为诸多生物功能的直接执行者，蛋白质能更加直接迅速的反映机体的变化，故成为更好的候选肿瘤标志物。肿瘤蛋白标志物不存在于正常成人组织或者在肿瘤组织中的含量大大查过正常组织，包括癌胚蛋白、肿瘤相关抗原、酶、激素以及特殊的血浆蛋白。

目前蛋白质组学技术包括质谱分析、二维凝胶电泳、蛋白质微阵列技术、液相芯片等。由于技术的发展，我们不仅能检测到体液（血液、尿液、组织间隙液等）内的痕量蛋白质，并且能对蛋白质进行相对和的定量，可以监测体内蛋白质的变化，而这些变化的蛋白质很可能提示着体内生理或者病理变化。

近年随着对肿瘤发生发展机制的深入了解，科学家们已经发现了大量的潜在的肿瘤候选标志物，如AFP、CEA、PSA、CA125、Her2、TP53等，表1列出了已被FDA认证的肿瘤标志物的敏感性和特异性。目前的挑战是如何提高这些标志物对疾病预测、辅助诊断、疗效监测以及预后评估的敏感性和特异性。

除了初用单一的标志物对疾病进行预测，我们已经尝试用一组标记物来克服单一标志物带来的交叉反应等缺点。用CART、机器学习等分类统计的方法，我们可以筛选具有更高检测灵敏性和特异性的标记物组合。许多生物公司也生产如Quantikine ELISA试剂盒等产品来检测各种标志物组合。