蛋白质结构决定其功能,了解蛋白质的结构对蛋白质的靶向药物设计和功能注释有重大意义。然而,通过湿实验技术确定蛋白质结构成本高且耗时,而当前蛋白质结构预测算法的精度仍有待提高。核酸往往通过与其它分子（如蛋白质、金属离子等）的相互作用执行其生物学功能,准确识别核酸与其它分子的结合位点可以加速计算机辅助药物的设计。然而,现有的核酸与其它分子的结合位点预测算法的准确率相对较低。因此,本文针对这两个方面展开了以下研究:1.蛋白质结构预测。本文提出了一个快速准确的蛋白质结构预测算法tr Rosetta2,该算法是tr Rosetta的改进版,主要从两方面进行了改进。第一,应用了一种从多尺度提取特征的新网络Res2Net来提高残基间二维几何信息的预测,包括距离和角度。第二,将多个同源模板自动集成到网络中,以进一步提高预测精度,特别是对于容易或中等难度的目标蛋白。在CASP13和CASP14两个基准数据集上的实验结果表明,tr Rosetta2的接触预测精度分别比tr Rosetta提高了6%和8%。本文以tr Rosetta2的初始版本参加了CASP14双盲测试。实验结果表明,所提出的方法在91个目标上的预测结构模型的平均TM-score为0.67,tr Rosetta2将其提高到了0.69,与最佳服务器非常接近（Zhang-Server为0.71）。在CAMEO实验的161个目标蛋白上的进一步测试表明,tr Rosetta2到达了平均TM-score为0.8的水平,成功折叠了91.3%的蛋白质,优于CAMEO实验中表现最佳的参赛组。2.核酸结合位点注释。本文从两个方面对核酸结合位点注释展开具体研究,即蛋白质与核酸结合位点以及小分子与RNA结合位点预测,分别开发了对应的智能算法:（1）提出了一个预测蛋白质中与核酸结合的残基位点的新算法Nuc Bind。Nuc Bind是一个集成算法,结合了基于序列的算法SVMnuc和基于模板的算法COACH-D的预测结果。SVMnuc是一个基于支持向量机的算法,它使用三种互补的序列特征来预测蛋白质中与核酸结合的残基;COACH-D通过搜索同源模板来识别目标序列中与核酸作用的残基。本文在三个基准数据集上对所提出的方法与其它方法进行了评估和比较。实验结果表明,Nuc Bind一致优于现有的其它算法。尽管预测精度高,与其它大多数从头预测方法一样,SVMnuc与Nuc Bind存在两种核酸之间的交叉预测。Nuc Bind的成功归因于两点:一是SVMnuc中三种互补序列特征的使用,二是SVMnuc与COACH-D这两种互补方法的结合。（2）提出了一个预测小分子与RNA结合位点的新算法RNAsite。该算法基于序列谱和结构特征来识别RNA中与小分子发生作用的碱基,适用于RNA结构存在或者仅有序列可用的情况。在两个独立测试集上与RBind等其它三种算法的实验比较表明,当实验结构可用时,RNAsite与现有的表现最佳的RBind算法性能相当;当使用预测的结构模型时,RNAsite显著优于其它现有算法。本文讨论了通过检测小分子结合口袋对提高RNAsite算法准确度的可能性,还讨论了RNA结构的柔性以及与配体结合引起的RNA构象的改变对RNAsite算法的影响。RNAsite有望成为设计靶向RNA的小分子药物的有用工具。