生物大分子蛋白质和RNA在生命活动过程中发挥着极为重要的作用。为研究这些生物大分子的作用机制以及确切功能,需要对它们的三维结构有所了解。然而,结构测定传统的实验方法通常成本高昂并且耗费时间较多,这使得开发计算方法进行结构预测成为必要。针对上述问题,本文聚焦于蛋白质与RNA三级结构预测算法的研究,分别介绍蛋白质同源建模算法DISthread、从头建模算法tr Rosetta网络服务器及独立软件包、蛋白质残基间距离预测评估方法APD,以及RNA同源建模算法IPro Align。由深度学习算法预测的残基间距离信息精度的提升为蛋白质同源建模方法提供了新的思路。为此,本文提出了一个结合一维序列信息和二维距离信息的穿线算法DISthread。该方法首先使用一维信息为目标蛋白质和模板蛋白质产生初始比对,再迭代地将预测的残基间距离信息加入到比对打分函数中。在四个独立测试集上的测试结果表明,DISthread优于使用一维信息和残基接触信息的同类型算法HHpred、SPARKS-X、MUSTER、Eigen THREADER、map＿align和CATHER,以及另一个基于距离的穿线算法Deep Threader。除此之外,随着目标蛋白质建模难度的增大,DISthread相较于上述7种方法的提升程度更大。通过将DISthread和基准方法进行比较,并对预测的距离信息进行分析,本文证明了二维距离信息的加入对穿线算法性能的提升有着显著的作用。tr Rosetta服务器是一个能够快速准确地对蛋白质结构进行预测的网络平台。该服务器以目标蛋白质序列或多重序列比对为输入,通过深度神经网络预测残基间距离和朝向信息,然后将上述二维信息转化为约束引导Rosetta进行能量最小化得到最终的结构模型。和其它同类型的服务器相比,tr Rosetta的优势在于能够快速、准确地对目标蛋白质进行从头建模。作为例证,tr Rosetta为两个目前缺乏真实结构的Pfam家族构建的结构模型估计得分较高。除此之外,为了结合同源建模的优势,同源模板也被作为额外的输入加入到网络中。对于一个长度约为300个氨基酸的蛋白质,tr Rosetta服务器能在1个小时左右的时间内返回结构模型。为了使该方法的大规模应用成为可能,tr Rosetta开源的独立软件包也被公开,供用户下载使用。APD是蛋白质残基间距离预测的评估方法。深度学习算法的迅速发展使残基间距离信息预测精度大幅提升,然而目前缺乏系统性的方案对预测的距离进行评估。为此,根据被比较的残基对组成的集合不同,本文将评估分为面向预测结果、面向真实结构和面向全集三种类型,共提出了19个指标来衡量预测距离的准确性。利用tr Rosetta预测的距离以及结构模型,本文在三个数据集上对提出的指标进行比较与讨论。实验结果证明,距离精度等指标与模型质量评估指标TM-score之间有着较强的相关性,相应的皮尔逊相关系数大于0.7。除此之外,本文提出的指标也被用于为CASP14距离预测参赛组进行排名。APD排名结果与官方公布的排名高度一致,充分显示了该方法的客观性与有效性。IPro Align是一个RNA结构预测同源建模算法。该方法首先将RNA的二级结构图进行简化,通过求解整数规划问题来确定所有碱基对之间的比对关系,然后再将二级结构比对信息加入打分函数,进而构建两个序列之间完整的比对。在此过程中,经过预处理的多重序列比对以序列谱的形式被加入算法的打分函数。在TE80数据集上的结果证明,在排除序列一致性大于40%的近同源模板后,IPro Align的比对质量优于覆盖率相近的方法Foldalign,并且两者的差距在包含假结的RNA上更加明显。在PUZ30数据集上的结果证明,IPro Align优于被比较的方法Loc ARNA、CARNA、RNAmount Align和Foldalign。通过对不同的多重序列比对使用策略进行比较,本文证明IPro Align实现了对多重序列比对的合理利用。除此之外,二级结构预测精度、比对覆盖率也在某种程度上影响了基于IPro Align比对生成的模型质量。最后,本文对所有算法的运行时间进行比较,结果显示IPro Align和被比较的方法相比速度更快,并且运行时间受序列长度影响较小。对于包含约5000个RNA的非冗余模板库,IPro Align通常能够在2小时内返回比对结果。上述结果证明,IPro Align算法实现了对RNA模板库的快速高效搜索。