[發(fā)明專利]基于隨機優(yōu)化的老年癡呆致病機理的分析方法

有效

• 申請?zhí)枺?/td>: 201210576323.6
• 申請日: 2012-12-26
• 公開（公告）號: CN103902851A
• 公開（公告）日: 2014-07-02
• 發(fā)明（設計）人: 彭豐斌;魏彥杰;張慧玲
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06F19/12
• 分類號: G06F19/12
• 代理公司: 深圳市科進知識產(chǎn)權代理事務所(普通合伙) 44316
• 代理人: 宋鷹武

1.一種基于隨機優(yōu)化的老年癡呆致病機理的分析方法，其特征在于，包括以下步驟：

S1、確定能量模型：采用ECEPP能量力場模型以及角度坐標系；

S2、搜索最小自由能蛋白質構型：包括

主進程，

S211、局部最小化方法獲得能量上界E_min和能量下界E_max，初始化蛋白質系統(tǒng)的態(tài)密度對數(shù)S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)為Heaviside分段函數(shù)，κ、E₀、f是模型的參數(shù)；

S212、進行Metropolis式的隨機變動，構建新構型，計算能量E_new、并修改E_min或E_max為E_new；

S213、重復步驟S212，完成進程間通信，計算全局S(E)；廣播全局S(E)至所有從進程；

S214、執(zhí)行步驟S212至步驟S213的迭代，E_min三次保持，迭代終止；

從進程，

S221、局部最小化方法獲得能量上界E_min和下界E_max，初始化蛋白質系統(tǒng)的態(tài)密度對數(shù)S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)為Heaviside分段函數(shù)，κ、E₀、f是模型的參數(shù)；

S222、進行Metropolis式的隨機變動，構建新構型，計算能量E_new、并修改E_min或E_max為E_new；

S223、重復步驟S222，完成進程間通信，接收步驟S213計算的全局S(E)；

S224、執(zhí)行步驟S222、步驟S223，接收步驟S214迭代終止信息，停機；

S3、計算蛋白質的態(tài)密度：

主進程，

S311、初始化蛋白質系統(tǒng)的態(tài)密度對數(shù)S(E)，直方圖H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)為Heaviside分段函數(shù)，κ、E₀、f是模型的參數(shù)；

S312、進行Metropolis式的隨機變動，構建新構型，計算能量E_new；

S313、重復步驟S312，完成進程間通信，計算全局S(E)、H(E)；判斷直方圖平緩閾值，當滿足是執(zhí)行步驟S314，否則重復執(zhí)行步驟S312、步驟S313迭代；

S314、改變df，并執(zhí)行步驟S312至步驟S313的迭代，直至df小于第二閾值，獲得蛋白質系統(tǒng)的相對的態(tài)密度

從進程，

S321、初始化蛋白質系統(tǒng)的態(tài)密度對數(shù)S(E)，直方圖H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)為Heaviside分段函數(shù)，κ、E₀、f是模型的參數(shù)；

S322、進行Metropolis式的隨機變動，構建新構型，計算能量E_new；

S323、重復步驟S322，完成進程間通信，接收步驟S313計算的全局S(E)、H(E)，即更新原S(E)、H(E)；判斷直方圖平緩閾值，當滿足是執(zhí)行步驟S324，否則重復執(zhí)行步驟S322、步驟S323迭代；

S324、改變df，并執(zhí)行步驟S322至步驟S323的迭代，直至df小于第二閾值。