提出了一种基于改进Transformer架构的深度学习模型，用于预测促炎肽，以解决传统实验方法周期长及特征表征不足的问题。模型通过整合多维度3-mer特征编码，构建改进的Transformer深度学习框架，基于去冗余数据集的五折交叉验证表明，改进模型在关键性能指标上显著优于基准方法MultiFeatVotPIP：准确率（ACC）提升11.4 %至76.9 %，曲线下面积（AUC）提高12.2 %至80.8 %。特征分析验证了3-mer特征在捕捉局部残基模式和跨域相互作用中的优势，为高通量促炎肽筛选和炎症疾病机制研究提供了新工具和新思路。