蛋白质负责执行生命活动中的大多数功能,是生命科学领域研究重点。蛋白质需要形成特定的结构来完成相应的功能。该结构一般通过形成蛋白质的氨基酸残基中原子的三维坐标表示。蛋白质的三维结构一般通过X-ray晶体衍射、核磁共振和冷冻电镜等湿实验手段测定。然而,相比蛋白质测序试验,通过湿实验测定结构往往耗时耗力,这就导致了蛋白质序列数据和蛋白质结构数据之间形成了巨大鸿沟。因此,通过计算手段从蛋白质序列预测蛋白质的三维结构成为计算生物学和生物物理学中的重要研究问题。基于序列对蛋白质结构预测问题中的主要挑战是对没有同源结构模板的序列进行建模。此类不依赖于模板的方法也称为从头预测（ab initio structure prediction）。预测的得到的残基接触可以通过多种形式有效提高蛋白质结构预测的精度,在蛋白质从头预测过程中有着至关重要的作用。尽管近年来对蛋白质残基接触预测的研究已经获得了较大进展,但是当前特征提取手段仍有诸多局限,预测精度仍然有限。为了更加精确地预测蛋白质远程残基间的空间信息,本文从特征抽取和深度学习模型构建等方面入手,开发并改进了蛋白质残基接触的预测模型,本论文的研究内容如下:（1）提出了一种基于精度矩阵的残基接触预测方法。该方法使用了多序列比对矩阵的逆协方差矩阵（精度矩阵）作为特征,然后采用了残差深度神经网络实现了从精度矩阵到蛋白质残基接触图矩阵的直接预测。在158个蛋白质结构预测技术关键测试比赛（Critical Assessment of protein Structure Prediction,CASP）的测试序列上的Top-L精度达到了50.6%,比最优的对比方法高出11.7%。实验结果表明,相比现有的基于协方差矩阵的方法,所提出的方法的主要优势为使用了可以消除传递噪声的精度矩阵特征;此外,还发现更高质量的多序列比对可以提高模型的预测精度。该方法对于蛋白质结构预测,尤其是协助从头预测具有重要意义。（2）提出了一种基于多协同进化分析特征融合和深度残差神经网络的蛋白质残基接触预测方法。该方法在训练过程中引入残基间的离散距离信息,实现了协同进化特征到离散距离的直接预测。和主流算法相比,该算法的优势在于可以从多种未经处理的协同进化分析特征中学习互补信息;而多种协同进化分析特征则是从基于宏基因组数据库得到的多序列比对中提取的;在CASP11和CASP12数据集和连续自动化模型评估（Continuous Automated Model Evaluati On,CAMEO）数据集上,该方法的精度比选取的最优比对方法分别高出58.4%和44.4%。在CASP13数据集上,该方法的Top-L/5精度达到了71.6%,高于CASP13中的最优方法。实验结果表明,本章所提方法可以有效提高现有深度学习模型对蛋白质残基接触的预测能力,从而最终实现蛋白质三维结构的准确预测。（3）提出了一种基于预测的远程残基几何描述项的快速可微的蛋白质结构预测方法。该方法首先设计了一种深度神经网络构架,融合了多种互补的二维协同进化特征和一维进化特征。额外提取了协同进化分析中的后处理得分和序列特异性特征,在训练过程中,还采用了多任务策略,同时输出多种几何描述项的离散分布。预测的离散分布则通过三次插值作为蛋白质结构预测模块的可微势能函数。最后,提出了一种全局的迭代梯度下降优化算法来优化该势能函数。该方法在31个CASP13的自由建模序列和168条CAMEO的Hard序列进行了测试。在两个数据集上的Top-L精度分别达到了49.3%和57.7%,持续优于现有最优算法。该算法在多个几何描述项的平均绝对误差比当前最优算法至少降低15%。而这些几何项的精确预测也使得所提方法在CASP13数据集上的平均TM-score达到了0.6,超过了CASP13中的最优算法Alpha Fold（TM-score=0.587）。