蛋白质是人体中每个细胞的重要组成成分,它是生命活动的主要执行者,调控着整个生命过程。蛋白质组测定和数据分析可以监测人体生理状态发生变化时蛋白质种类和数量的变化,帮助我们了解人体的机理和状态,具有很重要的意义。蛋白质除了在人体中发挥着重要的作用,还可以帮助化工、医疗以及制药等领域提高生成效率。但由于酶(蛋白质)本身的特性,它们一般都无法直接应用于体外复杂的化学体系中,这是因为酶可能出现不稳定或者反应条件苛刻等情况。目前改善酶的特性主要通过定向进化实现,而定向进化中的计算方法是提高定向进化生成蛋白质的效率与可用性的重要工具。本文主要从蛋白质组测定后的数据分析和定向进化中同源蛋白库的构建这两个方向所需的计算方法进行研究,主要的特色工作包括:(1)针对DIA(Data Independent Acquisition,数据非依赖性采集)数据的无目标分析提出了一种基于卷积神经网络的MSCNN(Mass Spectrometry Convolutional Neural Network,质谱卷积神经网络)预处理模型。该模型与DIA-Umpire中的模型相比,能充分利用肽段在MS1(First stage of Mass Spectrometry,一级质谱)和MS2(Second stage of Mass Spectrometry,二级质谱)中的特征,更有效的去除DIA数据中的噪声峰,对后续分析有显著的帮助。(2)针对RTF平台DIA数据的有目标分析中的预处理和蛋白质定量问题分别给出一种均匀提取预处理算法和提出了一种基于最小平方误差的蛋白质定量模型,并通过图谱的TIC(Total Intensity Current,总离子强度)图变化以及两个样品的相对浓度比分别证明了这两种方法的有效性。(3)针对同源蛋白库构建中的逆翻译过程给出一种多目标优化的解决方法。我们将逆翻译过程模型化为多目标问题,并用经典的多目标优化算法NSGA-Ⅱ解决,最后通过荧光蛋白亲本序列的模拟仿真实验证明了这种方法相对于常规的分段算法有很大的性能提升。