变构是调节蛋白质功能的重要机制，对许多生物过程至关重要。变构调节剂比正构剂具有更高的特异性和更低的毒副作用，这使得变构药物设计比正构药物设计有更多的优势。变构位点的发现是变构药物设计的前提，目前实验上获得的变构位点多是偶然所得，因此亟待发展有效的理论方法来预测蛋白质变构位点。本工作提出了一种集成的机器学习方法AllosEC用于预测蛋白质变构口袋，该方法除了考虑口袋的理化性质外，还加入了口袋的二级结构信息、深度指数(DPX)和突出指数(CX)特征。另外，为了克服正负样本极度不平衡的问题，本工作使用欠采样方法来平衡训练数据集。在独立测试集上，AllosEC在多个评价指标上优于现有的其他方法，SEN、SPE、PRE和MCC分别为0.708、0.915、0.405和0.486。这样，本工作提供了性能良好的蛋白质变构位点预测方法AllosEC。Allostery　is　an　important　mechanism　for　regulating　protein　functions,　which　is　essential　for　many　biological　processes.　Compared　with　orthosteric　regulators,　allosteric　regulators　have　higher　specificity　and　lower　toxicities,　which　makes　allosteric　drug　design　have　more　advantages　than　orthosteric　drug　design.　The　discovery　of　allosteric　sites　is　a　prerequisite　for　allosteric　drug　design.　Currently,　experimentally　obtained　allosteric　sites　are　mostly　obtained　by　chance,　and　therefore　there　is　an　urgent　need　to　develop　effective　theoretical　methods　to　predict　protein　allosteric　sites.　Here,　we　present　an　ensemble　machine　learning　method　AllosEC　for　protein　allosteric　pocket　prediction,　where　besides　the　pockets’　physicochemical　properties,　their　secondary　structure　information,　depth　indexes　(DPXes)　and　protrusion　indexes　(CXes)　are　considered.　In　order　to　overcome　the　problem　of　extreme　imbalance　between　positive　and　negative　samples,　this　work　uses　an　under　sampling　method　to　balance　the　training　dataset.　AllosEC　outperforms　other　existing　methods　in　multiple　evaluation　metrics　on　the　independent　test　set,　with　SEN,　SPE,　PRE　and　MCC　of　0.708,　0.915,　0.405　and　0.486,　respectively.　Thus,　this　work　provides　a　good　method　AllosEC　for　protein　allosteric　site　prediction.