生物信息学作为一门新兴的学科,已成为这个世纪自然科学的前沿领域之一。在生物信息学的众多研究方向中,蛋白质结构预测在生物信息学研究中占有重要地位,它的研究对于理解蛋白质结构与功能的关系,以及分子设计、生物制药等领域有很重要的现实意义。本文结合氨基酸序列的编码方式,探讨了几种改进BP(Back Propagation)算法在预测蛋白质二级结构中的应用,并对遗传优化BP(GA-BP)网络的学习过程及结果进行分析和评价。主要研究内容及成果如下:(1)分析蛋白质一级序列和二级结构的种类,及其表示方法。从HSSP蛋白质同源结构数据库中选取36条蛋白质记录,对它们的氨基酸序列和对应二级结构特征进行提取和表示,为整个研究提供了原始数据。(2)针对正交编码、5位编码及Profile编码这3种常用的氨基酸编码方法,利用BP神经网络,建立蛋白质二级结构预测模型。运用该模型研究比较这3种编码方式对蛋白质二级结构预测精度的影响。结果表明,用富含“生物进化信息”的Profile编码方式可以提高预测结果的准确率。(3)针对标准BP算法存在的缺点,论文讨论采用动量法与学习率自适应调整策略的BP神经网络,同时结合遗传算法来实现蛋白质二级结构的预测。结果表明,用遗传算法优化动量法与学习率自适应调整策略的BP算法可以改善预测精度。(4)把3种编码方式分别应用在不同神经网络模型中,实现蛋白质二级结构的预测,提出一种新的改进方法,即Profile编码方式与遗传算法优化的动量法与学习率自适应调整策略的BP神经网络结合。实验表明,基于Profile编码方式的遗传优化BP神经网络预测蛋白质二级结构的准确度可以得到提高,达到67.1%。