本文的工作主要包括以下三个部分：　　 首先，我们研究蛋白质结构的可设计性(designability)．基于对蛋白质结构空间的随机取样以及序列空间的普通有偏取样(common biased sampling，CBS)，利用6种网格模型(4×4，5×5，6×6正方形网格，3×3×3立方体网格，2+3+4+3+2，4+5+6+5+4三角形网格)、三种不同大小的字母集(HP、HNUP与20个字母)以及两种能量函数，我们计算了蛋白质结构的可设计性．然后定义并计算了三个量：稳定性(stability)，可折叠性(foldability)以及可分数(partnum)，这些量被用于解释蛋白质结构的可设计性．我们发现：无论是采用什么类型的网格模型、哪种字母集以及能量函数，都有高可设计性结构的出现；对于考虑的所有情形，局部作用降低了蛋白质序列的退化率(degeneracy rate)，并使可设计性变高；可设计性对于网格类型，字母集以及能量函数是敏感的；与随机取样方法相比，CBS与MetropolisMonte Carlo取样方法都使得可设计性变高；可设计性与稳定性、可折叠性的相关系数在大多数情况都大于0.5，这表明他们之间有很强的的线性关联关系，但是可设计性与可分数的线性关联关系并没有这么强，因为可分数是独立于能量的[1]．　　 其次，我们讨论四种蛋白质结构类(即α,β，α+β和α/β)的聚类分析．我们把Schneider与Wrede疏水性尺度以及蛋白质6-字母模型用于大蛋白质二级结构类的分类．由这两种类型的数据，我们构造了的两种测度，并用两种形式的重分形分析对它们进行了分析．通过计算，我们得到9个参数，并用它们来构建参数空间．每个蛋白质都由这些空间中的一个点来表示，我们提出了在这些空间中通过α,β，α+β与α/β与结构类分类蛋白质的步骤．Fisher区分算法被用于评价所用的49个大蛋白质聚类的准确率，数值结果表明区分准确率比较高．特别地，在一个三维空间中，由｛β，α+β、α/β｝蛋白质分出α蛋白质的准确率达100.00％以及84．21％；在另一个三维空间中，由｛α+β、α/β｝蛋白质分出β蛋白质的准确率达92．86％以及86．96％；在最后一个三维空间中，由α/β蛋白质分出α+β蛋白质的准确率达91．67％以及83．33％[2]．　　 最后，我们预测人类Pol Ⅱ启动子，主要是对启动子与非启动子序列进行区分．在此，非启动子序列是由外显子(Exon)与内含子(Intron)序列共同组成的．我们一共用到四种方法：两种形式的重分形分析方法对二核苷酸自由能序列的分析，Z曲线(Z curve)以及全局描述(global descriptor)方法对启动子与非启动子序列的分析．由这些方法我们一共得到141个参数，它们被分成七组，并用于构建一些空间，然后每个启动子与非启动子序列都由相应空间中的一个点表示．基于Fisher区分算法，在测试完这七组参数的所有120种组合后，我们发现：利用较少的参数(96以及117)，得到了较满意的区分效果．特别地，在117个参数的情形下，训练集与测试集上的准确率分别达到90.43％与89．79％．与其它五种方法比较，我们的方法较好．用全局描述方法(36个参数)，人类22号染色体上的18个由实验证实的启动子有17个被正确识别[3]．