早期，由于數據的缺乏，預測方法多基于單條序列。隨著序列和結構數據的增加，人們的研究轉向同源序列分析，充分利用隱藏在同源序列中的結構信息，使得結構預測的準確率得到了較大的提高。同源分析的基礎是序列比較，通過序列比較發現相似的序列，根據相似序列具有相似結構的原理，將相似序列（或者序列片段）所對應的二級結構作為預測的結果。在Levitt等人建立的相似片段方法中，將待預測的片段與數據庫中已知二級結構的片段進行相似性比較，利用打分矩陣計算出相似性得分，根據相似性得分以及數據庫中的構象態，構建出待預測片段的二級結構。這一方法對數據庫中同源序列的存在非常敏感，若數據庫中有相似性大于30%的序列，則預測準確率可大大上升。另一種更為合理的方法是將待預測二級結構的蛋白質U與多個已知結構的同源序列Ti進行多重比對，對于U的每個殘基位置，其構象態由多個同源序列對應位置的構象態決定，或取出現次數最多的構象態，或對各種可能的構象態給出得分值。
基于上述的策略，最鄰近方法在預測二級結構方面包括兩個過程，一是學習過程，二是預測過程。在學習階段，用一個滑動窗口（例如長度為15）掃描已知結構的訓練序列，序列個數為幾百個，并且這些序列彼此之間的相似性很小。通過窗口掃描形成大量的短片段（稱為訓練片段），記錄這些片段中心氨基酸殘基的二級結構。在預測階段，利用同樣大小的窗口掃描給定的序列U，將在每一個窗口位置下的序列片段U’與上述訓練片段相比較，找出50個最相似的訓練片段。假設這些相似片段中心殘基各種二級結構的出現頻率分別為fα、fβ和fc，用它們預測片段U’中心殘基的二級結構，可以取頻率最高的構象態作為U’中心殘基的二級結構，或者直接以fα、fβ和fc，反應U’中心殘基各種構象態可能的分布。根據處理過程的特點，最鄰近方法又稱為相似片段法。