蛋白质作为生命活动的重要承载者,它的结构对于生物学和医学研究有着重要的意义,利用计算手段预测蛋白质结构逐渐成为生物信息学的重要课题。本文的研究内容是从一级结构提取距离约束,并将距离约束应用到蛋白质三级结构预测中。蛋白质的空间结构是由残基间的相互作用决定的,残基之间存在很多约束,这些约束中又包含了很多重要的结构和功能信息。本文基于对蛋白质进化配对信息,采用机器学习方法,将进化配对训练成距离约束,从而将粗粒度的进化配对转化成细粒度的残基间距离约束,为蛋白质结构预测提供了相对精确的约束条件。本文采取了一种新的采样方法,即改进的混合蒙特卡洛算法,将学习到的距离约束加入采样方法中,对构象空间的三维坐标进行采样,并通过距离约束控制采样。当距离约束加入到采样过程中时,采样的精度得到了提高,并能够得到相对较多的近天然结构的构象。