近年来,蛋白质序列数据库规模快速增长,而由于实验技术限制,蛋白质结构的测定相对较慢,这使得大量序列信息已知蛋白质的三级结构依然是未知的。为解决这一问题,很多蛋白质结构预测方法被研发出来。近年来,残基接触信息预测精度的不断提高为蛋白质结构预测提供了新的思路。基于此,本文提出了一种新的基于模板的蛋白质结构预测算法CATHER,该算法结合了传统的线性信息和深度学习算法预测出的残基接触信息,并根据目标蛋白质在模板库中的所有比对结果,对模板的排序进行了优化。在一个独立的测试集test480和CASP12数据集上,本文将CATHER与四种其他预测算法进行了严格的比较与分析,比较结果说明,CATHER在预测难度较高的目标蛋白质上的预测效果明显优于仅使用一种信息的其他四种算法。此外,对残基接触信息贡献的研究表明,残基接触信息不仅可以优化目标蛋白质与与模板结构的比对,还可以优化比对结果的排序,且残基接触图的预测精度越高,效果提升就越明显。在CASP13比赛中,基于CATHER的结构预测服务器Yang-server在所有参赛的39支服务器队伍中,在32个FM蛋白质上的预测结果排名前10。基于该算法,本文搭建了相应的网络服务器CATHER。通过输入待预测的目标序列,用户可以方便地得到蛋白质结构的预测结果,并可以直观地查看目标蛋白质的结构预测结果、残基接触图、二级结构、溶剂可及性等信息。服务器的网址为:http://yanglab.nankai.edu.cn/CATHER。