[發(fā)明專利]一種下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810994693.9
• 申請(qǐng)日: 2018-08-29
• 公開（公告）號(hào): CN109448786B
• 公開（公告）日: 2021-04-06
• 發(fā)明（設(shè)計(jì)）人: 張貴軍;彭春祥;王柳靜;周曉根;劉俊;胡俊
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G16B20/00
• 分類號(hào): G16B20/00;G06N3/00
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

一種下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，在進(jìn)化算法框架下，首先，建立兩組策略池，每組策略池有三種不同的變異策略，根據(jù)不同的進(jìn)化代數(shù)選用不同策略池里的變異策略；其次根據(jù)下界估計(jì)函數(shù)來對(duì)變異構(gòu)象進(jìn)行選擇，進(jìn)一步用Rosetta能量函數(shù)score3、蒙特卡洛玻爾茲曼接收準(zhǔn)則對(duì)構(gòu)象進(jìn)行最終選擇，下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法不僅可以增強(qiáng)種群的多樣性，而且能夠緩解能量函數(shù)不精確的問題，引導(dǎo)算法采樣得到能量更低且結(jié)構(gòu)更合理的構(gòu)象，提高采樣效率。本發(fā)明提供一種采樣效率和預(yù)測(cè)精度都較高的下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法。

技術(shù)領(lǐng)域

本發(fā)明涉及生物信息學(xué)、計(jì)算機(jī)應(yīng)用領(lǐng)域，尤其涉及的是一種下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法。

背景技術(shù)

蛋白質(zhì)分子在生物細(xì)胞化學(xué)反應(yīng)過程中起著至關(guān)重要的作用。它們的結(jié)構(gòu)模型和生物活性狀態(tài)對(duì)我們理解和治愈多種疾病有重要的意義。蛋白質(zhì)只有折疊成特定的三維結(jié)構(gòu)才能生產(chǎn)其特有的生物學(xué)功能。因此，要了解蛋白質(zhì)的功能，就必須獲得其三維空間結(jié)構(gòu)。

蛋白質(zhì)三級(jí)結(jié)構(gòu)預(yù)測(cè)是生物信息學(xué)的一個(gè)重要任務(wù)。蛋白質(zhì)構(gòu)象優(yōu)化問題現(xiàn)在面臨最大的挑戰(zhàn)是對(duì)及其復(fù)雜的蛋白質(zhì)能量模型函數(shù)曲面進(jìn)行搜索，而且模型越精細(xì)，越能提供細(xì)節(jié)知識(shí)，所需的計(jì)算資源也就越多。

計(jì)算機(jī)硬件和軟件技術(shù)的快速發(fā)展，為從蛋白質(zhì)三級(jí)結(jié)構(gòu)預(yù)測(cè)的發(fā)展提供了結(jié)實(shí)的基礎(chǔ)平臺(tái)條件。蛋白質(zhì)結(jié)構(gòu)從頭預(yù)測(cè)方法取得的進(jìn)展和突破，進(jìn)一步促進(jìn)了計(jì)算機(jī)科學(xué)、進(jìn)化計(jì)算的學(xué)科研究人員的廣泛參與。從頭預(yù)測(cè)方法直接基于蛋白質(zhì)物理或知識(shí)能量模型，利用優(yōu)化算法在構(gòu)象空間搜索全局最低能量構(gòu)象解。構(gòu)象空間優(yōu)化方法是目前制約蛋白質(zhì)結(jié)構(gòu)從頭預(yù)測(cè)精度最關(guān)鍵的因素之一。目前，許多優(yōu)化方法已經(jīng)開始用來解決這個(gè)問題了。優(yōu)化算法應(yīng)用于從頭預(yù)測(cè)采樣過程必須首先解決一下三個(gè)方面的問題：(1)能量的復(fù)雜性。(2)能量模型的高維特性。(3)能量模型的不精確性。至今，我們還遠(yuǎn)遠(yuǎn)無法構(gòu)建起能引導(dǎo)目標(biāo)序列朝正確方向折疊的足夠精確力場(chǎng)，導(dǎo)致數(shù)學(xué)上的最優(yōu)解并不一定對(duì)應(yīng)于目標(biāo)蛋白的天然結(jié)構(gòu)；此外，模型的不精確性也會(huì)導(dǎo)致無法對(duì)優(yōu)化算法性能進(jìn)行客觀地分析。

差分進(jìn)化算法(DE)由于其結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，魯棒性強(qiáng)和收斂速度快等優(yōu)點(diǎn)已被成功應(yīng)用于蛋白結(jié)構(gòu)預(yù)測(cè)。然而，隨著氨基酸序列的增長(zhǎng)，蛋白質(zhì)分子體系自由度也增大，利用傳統(tǒng)群體算法采樣獲得大規(guī)模蛋白質(zhì)構(gòu)象空間的全局最優(yōu)解成為一項(xiàng)挑戰(zhàn)性的工作；其次，粗粒度模型雖然減小了構(gòu)象搜索空間，但是也導(dǎo)致了相互作用力之間的信息丟失，從而直接影響預(yù)測(cè)精度。

因此，現(xiàn)有的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法采樣效率和預(yù)測(cè)精度方面存在不足，需要改進(jìn)。

發(fā)明內(nèi)容

為了克服現(xiàn)有的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法采樣效率低、種群多樣性差、預(yù)測(cè)精度較低的不足，本發(fā)明在基本差分進(jìn)化算法框架下，引入動(dòng)態(tài)變異策略來指導(dǎo)構(gòu)象空間優(yōu)化，提出一種采樣效率高、預(yù)測(cè)精度高的下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種下界估計(jì)動(dòng)態(tài)策略蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，所述預(yù)測(cè)方法包括以下步驟：

1)給定目標(biāo)蛋白的序列信息；

2)根據(jù)目標(biāo)蛋白序列從ROBETTA服務(wù)器(http://www.robetta.org/)上得到片段庫(kù)文件，其中包括3片段庫(kù)文件和9片段庫(kù)文件；

3)設(shè)置參數(shù)：種群大小NP，算法的最大迭代代數(shù)G，交叉因子CR，溫度因子β，斜率控制因子M，置迭代代數(shù)g＝0；

4)種群初始化：隨機(jī)片段組裝生成NP個(gè)初始構(gòu)象C_i，i＝{1,2，…,NP}；

5)將每個(gè)構(gòu)象C_i，i＝{1,2，…,NP}的每個(gè)碳α原子的三維坐標(biāo)組合成該構(gòu)象的位置坐標(biāo)表示第i個(gè)構(gòu)象的空間位置坐標(biāo)的第j維元素，len為蛋白質(zhì)序列長(zhǎng)度；