蛋白质分子通常由几百、几千个氨基酸组成，完全表达它的结构，需要6N维的空间，其中N是原子数。这是一个维数极其巨大的高维空间，很难利用它来处理问题，对某些问题甚至是不可行。但是由同一个祖先演化而来的同一家族中的不同蛋白质，由于遗传信息的保守性，会在进化过程中保留下来，在结构上的体现就是，这些蛋白质某些部分会有非常相似的三维结构，我们通常称之为保守区域。保守区域的结构可以利用PCA等方法来处理，根据研究问题需要的精度，降低空间的维数，从而达到简化研究问题的复杂性。　　 应用PCA方法来处理蛋白质问题的时候，首先是要对同一个家族的蛋白质分子进行多序列比对;然后按照离散程度，来判断保守区域;对保守区域的结构进行PCA计算，获取保守区域结构，非保守区域部分需要另外考虑。通常来说，保守区域可以利用遗传信息，在处理很多问题的时候，比非保守区域要容易，所以我们在进行PCA计算的时候，希望包含进来的保守区域尽可能的大。但是在非保守区域中还是有些包含少量空位的位置，尽管序列和结构的保守性不如保守区域的保守性强，但是仍然包含很多的遗传信息。如果我们能够把空位的地方填上合适的数值，就可以像保守区域一样利用PCA方法来处理。对这些空位数值的填充，就是所谓的缺失值问题。在处理缺失值问题的时候，很多软件在不影响样本集的情况下直接删除或者忽略缺失值、甚至是使用0值来进行填充。一般来说，忽略缺失值对于样本数量很庞大的样本集影响不大，但是对于生物学上的蛋白质分子就会带来很大的不足与缺陷，这样的处理没有充分利用生物数据集所蕴含的有价值的信息。所以，我们需要尽可能的利用数据之间的关系来填充上合理的数值。　　 本文提出一种高效的蛋白质同源建模缺失值填充方法，区别于传统的迭代方法，这种方法不需要迭代计算，只需要进行两次矩阵运算，是一种完全的线性方法，所以避免了迭代算法影响原始数据的可靠性的问题。同时这种方法不仅仅可以应用于蛋白质同源建模缺失值的填充问题，也可以应用于其它研究领域的缺失值问题，具有一定的广泛性意义。