蛋白质结构从头预测作为结构生物学领域最为重要和最具挑战性的问题之一,是蛋白质分子从无规则结构逐步折叠成天然态构象的过程。蛋白质结构从头预测的研究对理解蛋白质折叠机理和了解蛋白质构象的动态变化与功能行使之间的关系具有重要的意义。作为从头开始结构预测的主要组成部分,高效的构象搜索算法和精确的势能函数是结构预测模型准确性的重要保证。伴随着Rosetta程序的巨大成功,近二十年以来,片段组装法已经成为最为流行的构象搜索算法。片段组装法根据预先构建的蛋白质结构片段库,在折叠模拟的过程中选定目标蛋白质的一段片段,将其构象替换成片段库中模板片段的构象。因此,结构片段库的质量是决定构象搜索算法效率和结构预测模型准确性的重要基础。近十年以来,一方面,机器学习特别是深度学习技术取得了突破性的发展,循环神经网络和卷积神经网络等深度学习架构被陆续提出。另一方面,在结构预测领域,除了传统的二级结构预测,蛋白质残基对接触信息和多种肽链二面角等其他低维度结构特征的预测也取得了很大的进展。全新机器学习技术的出现和蛋白质低维结构预测准确率的提升为蛋白质结构片段库算法的设计提供了良好的条件。在本研究中,我们首先基于逻辑回归模型设计了蛋白质结构片段库构建算法LRFragLib。LRFragLib利用一级序列、氨基酸的理化性质和二级结构信息作为特征,为目标蛋白搜索7-10个残基的模板片段。与其他优秀的算法相比,LRFragLib算法显著地提升了片段库中近天然态片段的比例,并结合从头开始的结构预测程序,预测出更为准确的蛋白质模型。随后,我们基于LRFragLib产生的结构片段库为蛋白质从头折叠程序REMC设计了主链二面角置换模式FragMove。FragMove的加入,全面提升了 REMC程序预测模型的二级结构和三维结构的准确率并加快了构象搜索的过程。在第三阶段的研究中,我们利用最新的深度学习技术,设计了构建7-15个残基模板片段的DeepFragLib算法。DeepFragLib由基于双向LSTM网络并经知识蒸馏技术压缩的分类模型模块、基于ResNeXt架构并含有我们设计的周期空洞卷积层的回归模型模块和片段选择模块组成。系统的实验分析表明,DeepFragLib算法的表现全面超过了包括LRFragLib在内的其他片段库构建算法。更重要的是,通过对其与Rosetta结合产生的结构预测模型分析,DeepFragLib算法有效地提升了蛋白质结构预测的准确性。