蛋白质的空间结构决定着蛋白质的功能,对于推断蛋白质结构之间的进化关系,药物发现和蛋白质设计至关重要。机器学习的进步促进了蛋白质结构预测的发展,使其预测速度由月、天、时提升到了秒、毫秒级单位,而其中代码数量也由百万行减少到几千行。然而,蛋白质结构的预测精度以及稳定性是否符合人们的需求还需要进一步的分析。本文以循环几何网络RGN预测的蛋白质三级结构数据为主要研究对象,从结构比较,可视分析角度以及RGN网络预测结果是否符合领域专家需求等方面进行了深入研究。首先,针对于RGN网络输出结果在可视分析及构象分析方面的局限问题,本文提出了面向RGN网络输出结果的多角度分析方法。该方法从以上两个角度为蛋白质可视化工具以及本文可视分析框架提供标准数据接口以及数据支撑。包括蛋白质结构标准文件的转换,蛋白质结构构象主要影响因素——扭转角数据的转换。此方法既保存着蛋白质结构数据的基本信息,又方便可视化框架的分析。其次,针对RGN网络结果是否符合领域专家需求的问题,本文提出了面向RGN网络预测结果的多层次比较可视分析方法。该方法主要从RGN网络的预测精度层次、结构差异性层次和结构稳定性层次进行分析,包括从蛋白质结构相似性指标对其预测精度分析;从距离偏差,扭转角变化方面对其结构差异进行分析;从构象稳定性方面分析其构象是否符合生物水平变化。最后,本文根据以上提出的方法设计了多层次可视分析框架,通过多种可视化方法分析出了RGN网络预测结构发生差异的原因,以及RGN网络今后的改进方向,验证了该实验方法的有效性。