Informacije o primarnoj strukturi proteina koriste se kao ulazni podaci u mnogim klasifikacijskim problemima iz područja biologije. Pri tome se značajke standardno konstruiraju uprosječivanjem svojstava aminokiselina u sekvenci. Međutim, u takvoj reprezentaciji gube se informacije o slijedu aminokiselina u sekvenci. Umjesto ručnog konstruiranja značajki koje zahtijeva dodatno vrijeme te poznavanje specifičnog problema koji se rješava, duboke neuronske mreže omogućavaju automatsko učenje reprezentacije u obliku realnog vektora fiksne dimenzije. Takve reprezentacije mogu se koristiti za rješavanje različitih klasifikacijskih problema. Budući da danas raspolažemo velikim brojem sekvenciranih genoma, taj pristup je iznimno prikladan za proteinske sekvence. U ovom radu bavimo se modeliranjem realnih vektorskih reprezentacija proteinskih sekvenci kroz nekoliko faza. U prvoj fazi proteinske sekvence dijelimo u sekvence trigrama aminokiselina i povezujemo problem traženja reprezentacija trigrama s problemom traženja reprezentacija riječi koristeći metode word2vec i Glove. Naučene reprezentacije trigrama koristimo u drugoj fazi za treniranje dvosmjerne LSTM rekurentne mreže na problemu prepoznavanja originalne od permutirane sekvence. U tu svrhu definiramo tri različita načina permutiranja koji odgovaraju različitoj težini problema. Na problemu razlikovanja stvarne od permutirane sekvence, rekurentna mreža s Glove reprezentacijama trigrama postigla je visoku točnost (> 93 %) već nakon 30 epoha. Za razliku od Glove reprezentacija, word2vec je postigla nešto lošije rezultate (> 72 %). Skriveni sloj LSTM mreže odgovara reprezentaciji sekvence koju smo zatim usporedili s reprezentacijama dobivenih sumom reprezentacija trigrama. U zadnjoj fazi, testirali smo kvalitete dobivenih reprezentacija na tri različita klasifikacijska problema: problemu predviđanja familije proteina, razlikovanja termofilnih od netermofilnih proteina te predviđanju klase ribosoma. Rezultati pokazuju da reprezentacije dobivene sumiranjem daju najbolje rezultate, dok Glove daje bolje rezultate od word2vec. Nadalje, uočava se korelacija između težine problema rekurentne mreže i kvalitete reprezentacija. Iako je zbog hardverskih ograničenja mreža trenirana na malom skupu podataka, rezultati pokazuju da postoje primjeri reprezentacija dobivenih rekurentnim mrežama koji postižu veću točnost od reprezentacija dobivenih sumom.