蛋白质结构预测是蛋白质结构和功能研究工作的重要组成部分,对蛋白质药物分子设计、生物制药等方面有重要的意义。若已知同源蛋白质家族中某些蛋白质的结构,就可以预测其他一些序列已知而结构未知的同源蛋白质结构。通过序列比对,能够将长度不等的序列通过插入空位变成等长序列,这些空位位置代表了相比对的序列是从相同的祖先通过插入和删除等操作的演化而来,进而反应了在生物进化过程中的变异,突变现象。空位的出现会对同源蛋白质建模的尺度和精度产生很大影响,因此对蛋白质序列比对中缺失值的研究具有重要意义。对蛋白质缺失数据的填充在之前已经通过一些方法得到了很好的实现,如最邻近算法,自组织神经网络算法。这两种方法对蛋白质缺失数据均给予了合理的填充,并且在平均探究尺度上从62.9%提升到82.7%,研究精度从1.65?提升到0.88?。但是由于蛋白质的结构空间复杂,对蛋白质取样空间预测的计算量非常庞大,这使得计算过程比较耗时。为此,我们希望在能够合理对蛋白质缺失值填充的前提下,提高计算的速度,减少计算量。本文以自联想神经网络(Autoassociative Neural Networks,AANN)的非线性主成分算法为基础,综合考虑到蛋白质取样空间构造复杂和蛋白质列数据库的增长速度,本文采用一种基于改进的逆非线性网络模型(Inverse NLPCA Model)来实现缺失值的填充和效率提升,并对该网络模型采用共轭梯度算法优化以更进一步加快计算效率。