一種基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法
【專利摘要】一種基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，首先，根據(jù)各構(gòu)象的能量值進(jìn)行升序排列，并計(jì)算各構(gòu)象與能量最低構(gòu)象的平均能量誤差值；然后，選取部分能量較低的構(gòu)象計(jì)算質(zhì)心構(gòu)象；最后，根據(jù)平均能量誤差值判斷算法所達(dá)到的搜索狀態(tài)，從而設(shè)計(jì)不同的質(zhì)心變異策略生成測(cè)試構(gòu)象，即如果平均能量誤差值大于設(shè)定的閾值，則設(shè)計(jì)DE/rand?to?centroid/1策略進(jìn)行變異，通過提取質(zhì)心構(gòu)象中的部分片段替換隨機(jī)選取的構(gòu)象中的對(duì)應(yīng)片段生成測(cè)試構(gòu)象，否則設(shè)計(jì)DE/centroid/2策略進(jìn)行變異，通過提取隨機(jī)選擇的構(gòu)象中的片段替換質(zhì)心構(gòu)象中的對(duì)應(yīng)片段生成測(cè)試構(gòu)象，從而提高算法搜索效率和預(yù)測(cè)精度。
【專利說(shuō)明】
一種基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種生物學(xué)信息學(xué)、智能優(yōu)化、計(jì)算機(jī)應(yīng)用領(lǐng)域，尤其涉及的是，一種 基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 1953年，J. Watson和F. Crick在英國(guó)《Nature》雜志上發(fā)表了DNA分子雙螺旋結(jié)構(gòu)模 型，標(biāo)志著分子生物學(xué)真正意義上的誕生；五年后，F(xiàn).Crick提出分子生物學(xué)"中心法則"的 設(shè)想，揭示了生命遺傳信息傳遞的一般規(guī)律。作為該法則的關(guān)鍵部分，從DNA到蛋白質(zhì)氨基 酸序列的三聯(lián)遺傳密碼（簡(jiǎn)稱"第一密碼"）的破譯工作早在1965年就已經(jīng)全部完成;然而， 從氨基酸序列到空間結(jié)構(gòu)的折疊密碼(簡(jiǎn)稱"第二密碼"）至今尚未破解。隨著2003年人類基 因組測(cè)序工作的完成，蛋白質(zhì)氨基酸序列數(shù)量激增，蛋白質(zhì)折疊密碼的理論研究成為當(dāng)前 蛋白質(zhì)工程領(lǐng)域迫切需要解決的一個(gè)關(guān)鍵問題。
[0003] 結(jié)構(gòu)基因組學(xué)利用實(shí)驗(yàn)手段來(lái)測(cè)定蛋白質(zhì)的三維結(jié)構(gòu)。X射線晶體學(xué)方法是至今 為止研究蛋白質(zhì)結(jié)構(gòu)最有效的方法，所能達(dá)到的精度是任何其他方法所不能比擬的，它的 缺點(diǎn)主要是蛋白質(zhì)的晶體難以培養(yǎng)且晶體結(jié)構(gòu)測(cè)定的周期較長(zhǎng)。多維核磁共振方法可以直 接測(cè)定蛋白質(zhì)在溶液中的構(gòu)象，但是由于對(duì)樣品的需要量大、純度要求高，目前只能測(cè)定小 分子蛋白質(zhì)。總體上，蛋白質(zhì)結(jié)構(gòu)實(shí)驗(yàn)測(cè)定方法極其費(fèi)時(shí)費(fèi)錢費(fèi)力。
[0004] 從頭預(yù)測(cè)方法被譽(yù)為蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)領(lǐng)域的圣杯，鑒于其重要的生物學(xué)意義和問 題的復(fù)雜性，2005年《Science》雜志將其列為當(dāng)前科學(xué)界亟待解決的100個(gè)最具挑戰(zhàn)性問題 之一。蛋白質(zhì)從頭預(yù)測(cè)方法必須考慮以下兩個(gè)因素：（1)蛋白質(zhì)結(jié)構(gòu)能量函數(shù)；（2)構(gòu)象空間 搜索方法。第一個(gè)因素本質(zhì)上屬于分子力學(xué)問題，主要是為了能夠計(jì)算得到每個(gè)蛋白質(zhì)結(jié) 構(gòu)對(duì)應(yīng)的能量值。第二個(gè)因素本質(zhì)上屬于全局優(yōu)化問題，通過選擇一種合適的優(yōu)化方法，對(duì) 構(gòu)象空間進(jìn)行快速搜索，得到與某一全局最小能量對(duì)應(yīng)的構(gòu)象。其中，蛋白質(zhì)構(gòu)象空間優(yōu)化 屬于一類非常難解的NP-Hard問題。群體進(jìn)化類算法是研究蛋白質(zhì)分子構(gòu)象優(yōu)化的重要方 法，主要包括差分進(jìn)化算法(DE)、遺傳算法(GA)、粒子群算法(PS0)，這些算法不僅結(jié)構(gòu)簡(jiǎn) 單，易于實(shí)現(xiàn)，而且魯棒性強(qiáng)，因此，經(jīng)常被用于從頭預(yù)測(cè)方法中的全局最小能量構(gòu)象搜索。 然而群體優(yōu)化算法屬于一類隨機(jī)優(yōu)化算法，現(xiàn)有蛋白質(zhì)構(gòu)象優(yōu)化方面的文獻(xiàn)主要研究如何 從一個(gè)局部最小解跳到另一個(gè)局部最小解，沒有提供一種機(jī)制有效利用群體進(jìn)化過程的智 能信息指導(dǎo)搜索，從而導(dǎo)致算法效率較低。此外，受選擇壓力和隨機(jī)采樣過程中遺傳漂變的 影響，群體中所有個(gè)體將不可避免收斂到某個(gè)吸收態(tài)。對(duì)于蛋白質(zhì)構(gòu)象這類優(yōu)化問題，該吸 收態(tài)并不一定就是全局最優(yōu)解，從而影響預(yù)測(cè)精度。
[0005] 因此，現(xiàn)有的基于群體的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法在搜索效率和預(yù)測(cè)精度方面存在著 缺陷，需要改進(jìn)。

【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法在搜索效率和預(yù)測(cè)精度方面的不足，本發(fā)明 通過提取能量較低的構(gòu)象信息，設(shè)計(jì)質(zhì)心變異策略，同時(shí)基于片段組裝技術(shù)，提出一種搜索 效率高、預(yù)測(cè)精度高的基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0008] -種基于質(zhì)心變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，所述優(yōu)化方法包括以下 步驟：
[0009] 1)選取蛋白質(zhì)力場(chǎng)模型，即能量函數(shù)E(X);
[0010] 2)給定輸入序列信息；
[0011] 3)初始化:設(shè)置種群大小NP，交叉因子CR，最大迭代次數(shù)，由輸入序列產(chǎn)生初始構(gòu) 象種群？=丨(^，€ >2,...,€^|(=(.?，...，4)#丨],2,"_，撕}}，并初始化迭代次數(shù)6 = 0，其 中，N表示維數(shù)，4表示第i個(gè)構(gòu)象C1的第N維元素；
[0012] 4)計(jì)算當(dāng)前種群各構(gòu)象的能量函數(shù)值E(C1)，i = l，2，…，N，并根據(jù)當(dāng)前種群中各 構(gòu)象能量值對(duì)各構(gòu)象進(jìn)行升序排列；
[0013] 5)找出當(dāng)前種群中能量最低的構(gòu)象Cbe3St，并計(jì)算其他構(gòu)象的能量與C be3St的能量E (Cbest)的平均能量誤差
，如果迭代次數(shù)G = 0,則令5max=5;
[0014] 6)針對(duì)種群中的每個(gè)構(gòu)象個(gè)體少，i e {1，2，3，…，NP}，令Ctarget = 6，Ctarget表示目 標(biāo)構(gòu)象個(gè)體，提取當(dāng)前種群中能量較低的構(gòu)象信息，執(zhí)行以下操作生成變異構(gòu)象C mutant:
[0015] 6.1)選取排名前 CT個(gè)構(gòu)象 =(<w，.Cct.2,…，心)，?》= ?，2，···，α rand(ΝΡ/3，ΝΡ/2)，rand(NP/3，ΝΡ/2)表示ΝΡ/3和ΝΡ/2之間的隨機(jī)整數(shù)，表示第m個(gè)選 取構(gòu)象的第N維元素；
[0016] 6 · 2)計(jì)算所選取的 CT個(gè)構(gòu)象的質(zhì)心構(gòu)象 Ccentroid = (Xcentroid, 1，Xcentroid,2，…， Xc^ntroidA)，其中，構(gòu)象Cestoid的第j維元素 2,…，N;
[0017] 6.3)設(shè)置序列長(zhǎng)度L，在1和L之間隨機(jī)生成4個(gè)整數(shù)randintl、randint2、randint3 和;randint4,其中;randintl和;randint2，;randint3和;randint4互不相同，令a = min (randintl，randint2)，b = max(randintl，randint2)，c = min(randint3，randint4)，d = max(randint3，randint4)，其中min表示取兩個(gè)數(shù)的最小值，max表示取兩個(gè)數(shù)的最大值； [0018] 6 · 4)如果δ > 〇 · 55max，則設(shè)計(jì)DE/rand-to-centroid/策略進(jìn)行變異:從當(dāng)前種群中 隨機(jī)選取兩個(gè)不同的構(gòu)象Crandl和Crand2，其中randl乒rand2 e [ 1，NP]，提取質(zhì)心構(gòu)象Ccentroid 位置a到位置b的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl的相同位置所對(duì)應(yīng)的二面角， 同時(shí)提取構(gòu)象C rand2位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl相同位置 所對(duì)應(yīng)的二面角，然后將所得C randl進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;
[0019] 6.5)如果δ彡ο . 5δΜΧ，則設(shè)計(jì)DE/centroid/2策略進(jìn)行變異：從當(dāng)前種群中隨機(jī)選 取兩個(gè)不同的構(gòu)象Crandl和CTand2，其中rand 1辛rand2 G [ 1，NP]，提取構(gòu)象CTandl位置a到位置b 的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^ntelld的相同位置所對(duì)應(yīng)的二面角，同時(shí)使 用C rand2上位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^trcild相同位置所 對(duì)應(yīng)的二面角，然后將所得C_ told進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;;
[0020] 7)對(duì)變異構(gòu)象Cmutant執(zhí)行交叉操作生成測(cè)試構(gòu)象Ctrial:
[0021] 7 · 1)在0和1之間隨機(jī)生成小數(shù)rand3;
[0022] 7.2)若抑11(13彡0?，則在1和1^之間隨機(jī)生成整數(shù)抑11(14，利用變異構(gòu)象(：_咖中的片 段rand4替換目標(biāo)構(gòu)象C target中對(duì)應(yīng)的片段，從而生成測(cè)試構(gòu)象Ctriai，若rand3>CR，則Ctriai 直接等于變異構(gòu)象C mutant ；
[0023] 8)計(jì)算測(cè)試構(gòu)象Ctriai的能量值E(Ctriai)，如果E(C triai)-E(Ctarget)<0,表明測(cè)試構(gòu) 象優(yōu)于目標(biāo)構(gòu)象，則測(cè)試構(gòu)象C triai替換目標(biāo)構(gòu)象Ctargert;
[0024] 9)判斷是否滿足終止條件，若滿足則輸出結(jié)果并退出，否則返回步驟4)。
[0025] 進(jìn)一步，所述步驟9)中，對(duì)種群中的每個(gè)構(gòu)象個(gè)體都執(zhí)行完步驟6 )_8)以后，迭代 次數(shù)G=G+1，終止條件為迭代次數(shù)G達(dá)到步驟3)中預(yù)設(shè)的最大迭代次數(shù)。
[0026] 本發(fā)明的技術(shù)構(gòu)思為:首先，根據(jù)各構(gòu)象的能量值進(jìn)行升序排列，并計(jì)算各構(gòu)象與 能量最低構(gòu)象的平均能量誤差值;然后，選取部分能量較低的構(gòu)象計(jì)算質(zhì)心構(gòu)象;最后，根 據(jù)平均能量誤差值判斷算法所達(dá)到的搜索狀態(tài)，從而設(shè)計(jì)不同的質(zhì)心變異策略生成測(cè)試構(gòu) 象，即如果平均能量誤差值大于設(shè)定的閾值，則設(shè)計(jì)DE/rand-to-centroid/Ι策略進(jìn)行變 異，通過提取質(zhì)心構(gòu)象中的部分片段替換隨機(jī)選取的構(gòu)象中的對(duì)應(yīng)片段生成測(cè)試構(gòu)象，否 則設(shè)計(jì)DE/centroid/2策略進(jìn)行變異，通過提取隨機(jī)選擇的構(gòu)象中的片段替換質(zhì)心構(gòu)象中 的對(duì)應(yīng)片段生成測(cè)試構(gòu)象，從而提高算法搜索效率和預(yù)測(cè)精度。
[0027] 本發(fā)明的有益效果表現(xiàn)在:根據(jù)能量較低的構(gòu)象計(jì)算質(zhì)心構(gòu)象，并通過提取質(zhì)心 構(gòu)象的進(jìn)化信息設(shè)計(jì)質(zhì)心變異策略生成測(cè)試構(gòu)象，從而提高預(yù)測(cè)精度;其次，根據(jù)平均能量 誤差值判斷算法所達(dá)到的搜索狀態(tài)，從而設(shè)計(jì)適合對(duì)應(yīng)狀態(tài)的質(zhì)心變異策略生成測(cè)試構(gòu) 象，達(dá)到提高算法搜索效率的效果。
【附圖說(shuō)明】
[0028] 圖1是本發(fā)明中蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法的流程圖。
[0029] 圖2是本發(fā)明中的預(yù)測(cè)方法對(duì)蛋白質(zhì)4ICB預(yù)測(cè)時(shí)的構(gòu)象更新示意圖。
[0030] 圖3是本發(fā)明中的預(yù)測(cè)方法對(duì)蛋白質(zhì)4ICB預(yù)測(cè)時(shí)得到的構(gòu)象分布圖。
[0031]圖4是本發(fā)明中的預(yù)測(cè)方法對(duì)蛋白質(zhì)4ICB預(yù)測(cè)得到的三維結(jié)構(gòu)。
【具體實(shí)施方式】
[0032] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。
[0033] 參照?qǐng)D1和圖4,一種基于質(zhì)心變異策略差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，包括以下 步驟：
[0034] 1)選取蛋白質(zhì)力場(chǎng)模型，即能量函數(shù)E(X);
[0035] 2)給定輸入序列信息；
[0036] 3)初始化:設(shè)置種群大小NP，交叉因子CR，最大迭代次數(shù)，由輸入序列產(chǎn)生初始構(gòu) 象種群？：{〇 1,€^,...,€^|(：^(." ...,:<;),以丨1，2,~,犯>}}，并初始化迭代次數(shù)6 = 0，其 中，N表示維數(shù)，< 表示第i個(gè)構(gòu)象C1的第N維元素；
[0037] 4)計(jì)算當(dāng)前種群各構(gòu)象的能量函數(shù)值E(C1)，i = l，2，…，N，并根據(jù)當(dāng)前種群中各 構(gòu)象能量值對(duì)各構(gòu)象進(jìn)行升序排列；
[0038] 5)記當(dāng)前種群中能量最低的構(gòu)象Cbest，并計(jì)算其他構(gòu)象的能量與Cbest的能量E (Cbest)的平均能量誤差
，如果迭代次數(shù)G = 0,則令5max=5;
[0039] 6)針對(duì)種群中的每個(gè)構(gòu)象個(gè)體少，i e {1，2，3，…，NP}，令Ctarget = 6，Ctarget表示目 標(biāo)構(gòu)象個(gè)體，提取當(dāng)前種群中能量較低的構(gòu)象信息，執(zhí)行以下操作生成變異構(gòu)象C mutant:
[0040] 6.1)選取排名前 CT 個(gè)構(gòu)象 C::lect = (x:cU,.<to2r"，x:lectAf)，m = rand(NP/3，NP/2)，rand(NP/3，NP/2)表示NP/3和NP/2之間的隨機(jī)整數(shù)，C.w表示第m個(gè)選 取構(gòu)象的第N維元素；
[0041 ] 6 · 2)計(jì)算所選取的 CT個(gè)構(gòu)象的質(zhì)心構(gòu)象 Ccentroid = (Xcentroid, 1，Xcentroid,2，…， Xc^ntroidA)，其中，構(gòu)象Cestoid的第j維元素
2,…，N;
[0042] 6.3)設(shè)置序列長(zhǎng)度L，在1和L之間隨機(jī)生成4個(gè)整數(shù)randintl、randint2、randint3 和;randint4,其中;randintl和;randint2，;randint3和;randint4互不相同，令a = min (randintl，randint2)，b = max(randintl，randint2)，c = min(randint3，randint4)，d = max(randint3，randint4)，其中min表示取兩個(gè)數(shù)的最小值，max表示取兩個(gè)數(shù)的最大值；
[0043] 6·4)如果δ>0·5δmax，則設(shè)計(jì)DE/rand-to-centroid/策略進(jìn)行變異:從當(dāng)前種群中 隨機(jī)選取兩個(gè)不同的構(gòu)象C randl和Crand2，其中randl乒rand2 e [ 1，NP]，提取質(zhì)心構(gòu)象Ccentroid 位置a到位置b的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl的相同位置所對(duì)應(yīng)的二面角， 同時(shí)提取構(gòu)象C rand2位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl相同位置 所對(duì)應(yīng)的二面角，然后將所得C randl進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;
[0044] 6.5)如果δ彡〇 . 5δΜΧ，則設(shè)計(jì)DE/centroid/2策略進(jìn)行變異：從當(dāng)前種群中隨機(jī)選 取兩個(gè)不同的構(gòu)象C randl和CTand2，其中rand 1辛rand2 G [ 1，NP]，提取構(gòu)象CTandl位置a到位置b 的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^ntelld的相同位置所對(duì)應(yīng)的二面角，同時(shí)使 用C rand2上位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^trcild相同位置所 對(duì)應(yīng)的二面角，然后將所得C_ told進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;;
[0045] 7)為了提高種群的多樣性，對(duì)變異構(gòu)象Cmutant執(zhí)行交叉操作生成測(cè)試構(gòu)象C trial:
[0046] 7.1)在0和1之間隨機(jī)生成小數(shù)rand3;
[0047] 7.2)若抑11(13彡0?，則在1和1^之間隨機(jī)生成整數(shù)抑11(14，利用變異構(gòu)象(：_咖中的片 段rand4替換目標(biāo)構(gòu)象C target中對(duì)應(yīng)的片段，從而生成測(cè)試構(gòu)象Ctriai，若rand3>CR，則Ctriai 直接等于變異構(gòu)象C mutant ；
[0048] 8)計(jì)算測(cè)試構(gòu)象Ctriai的能量值E(Ctriai)，如果E(C triai)-E(Ctarget)<0,表明測(cè)試構(gòu) 象優(yōu)于目標(biāo)構(gòu)象，則測(cè)試構(gòu)象C triai替換目標(biāo)構(gòu)象Ctargert;
[0049] 9)判斷是否滿足終止條件，若滿足則輸出結(jié)果并退出，否則返回步驟4)。
[0050] 所述步驟9)中，對(duì)種群中的每個(gè)構(gòu)象個(gè)體都執(zhí)行完步驟6)_8)以后，迭代次數(shù)G = G +1，終止條件為迭代次數(shù)G達(dá)到步驟3)中預(yù)設(shè)的最大迭代次數(shù)
[00511本實(shí)施例序列長(zhǎng)度為76的α折疊蛋白質(zhì)4ICB為實(shí)施例，一種基于質(zhì)心變異策略的 差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，其中包含以下步驟：
[0052] 1)選取Rosetta score3力場(chǎng)模型，即能量函數(shù)E(X);
[0053] 2)輸入蛋白質(zhì)4ICB的序列信息；
[0054] 3)初始化:設(shè)置種群大小NP = 50，交叉因子CR = 0.5，最大迭代次數(shù)為10000，由輸 入序列產(chǎn)生初始構(gòu)象種群Κ?._.，ΓΝ"|Γ 冬…,.< ),/_ e彳1,2,…,ΛΙΙ ?，并初始化迭 代次數(shù)G = 0,其中，Ν表示維數(shù)，吟表示第i個(gè)構(gòu)象C1的第Ν維元素；
[0055] 4)計(jì)算當(dāng)前種群各構(gòu)象的能量函數(shù)值E(C1)，i = l，2，…，N，并根據(jù)當(dāng)前種群中各 構(gòu)象能量值對(duì)各構(gòu)象進(jìn)行升序排列；
[0056] 5)記當(dāng)前種群中能量最低的構(gòu)象Cbest，并計(jì)算其他構(gòu)象的能量與Cbest的能量Ε (Cbest)的平均能量
，如果迭代次數(shù)G = 0，則令5max= δ;
[0057] 6)針對(duì)種群中的每個(gè)構(gòu)象個(gè)體少，i e {1，2，3，…，NP}，令Ctarget = 6，Ctarget表示目 標(biāo)構(gòu)象個(gè)體，提取當(dāng)前種群中能量較低的構(gòu)象信息，執(zhí)行以下操作生成變異構(gòu)象Cmutant:
[0058] 6 · 1)選取排名前CT個(gè)構(gòu)象Cto = = 1,2,… =rand(ΝΡ/3，ΝΡ/2)，rand(ΝΡ/3，ΝΡ/2)表示ΝΡ/3和ΝΡ/2之間的隨機(jī)整數(shù)，表示第m個(gè) 選取構(gòu)象的第N維元素；
[0059] 6 · 2)計(jì)算所選取的 CT個(gè)構(gòu)象的質(zhì)心構(gòu)象 Ccentroid = (Xcentroid, 1，Xcentroid,2，…， Xc^ntroidA)，其中，構(gòu)象Cestoid的第j維元素 2,…，N;
[0060] 6 · 3)設(shè)置序列長(zhǎng)度L = 76，在1和L之間隨機(jī)生成4個(gè)整數(shù)randintl、randint2、 瓜11(1;[1^3和瓜11(1;[1^4，其中瓜11(1;[111:1和抑11(1;[1^2，瓜11(1;[1^3和瓜11(1;[1^4互不相同，令&=111；[11 (randintl，randint2)，b = max(randintl，randint2)，c = min(randint3，randint4)，d = max(randint3，randint4)，其中min表示取兩個(gè)數(shù)的最小值，max表示取兩個(gè)數(shù)的最大值； [0061 ] 6 · 4)如果δ > 〇 · 55max，則設(shè)計(jì)DE/rand-to-centroid/策略進(jìn)行變異:從當(dāng)前種群中 隨機(jī)選取兩個(gè)不同的構(gòu)象C randl和Crand2，其中randl乒rand2 e [ 1，NP]，提取質(zhì)心構(gòu)象Ccentroid 位置a到位置b的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl的相同位置所對(duì)應(yīng)的二面角， 同時(shí)提取構(gòu)象C rand2位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Crandl相同位置 所對(duì)應(yīng)的二面角，然后將所得C randl進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;
[0062] 6.5)如果δ彡〇 . 5δΜΧ，則設(shè)計(jì)DE/centroid/2策略進(jìn)行變異：從當(dāng)前種群中隨機(jī)選 取兩個(gè)不同的構(gòu)象Crandl和CTand2，其中rand 1辛rand2 G [ 1，NP]，提取構(gòu)象CTandl位置a到位置b 的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^ntelld的相同位置所對(duì)應(yīng)的二面角，同時(shí)使 用C rand2上位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象Cc^trcild相同位置所 對(duì)應(yīng)的二面角，然后將所得C_ told進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;;
[0063] 7)為了提高種群的多樣性，對(duì)變異構(gòu)象Cmutant執(zhí)行交叉操作生成測(cè)試構(gòu)象Ctriai:
[0064] 7 · 1)在0和1之間隨機(jī)生成小數(shù)rand3;
[0065] 7.2)若抑11(13彡0?，則在1和1^之間隨機(jī)生成整數(shù)抑11(14，利用變異構(gòu)象(：_咖中的片 段rand4替換目標(biāo)構(gòu)象C target中對(duì)應(yīng)的片段，從而生成測(cè)試構(gòu)象Ctriai，若rand3>CR，則Ctriai 直接等于變異構(gòu)象Cmutant;
[0066] 8)計(jì)算測(cè)試構(gòu)象Ctriai的能量值E(Ctriai)，如果E(C triai)-E(Ctarget)<0,表明測(cè)試構(gòu) 象優(yōu)于目標(biāo)構(gòu)象，則測(cè)試構(gòu)象C triai替換目標(biāo)構(gòu)象Ctargert;
[0067] 9)對(duì)種群中的每個(gè)構(gòu)象個(gè)體都執(zhí)行完步驟6)-8)以后，迭代次數(shù)G = G+1，若迭代次 數(shù)G達(dá)到最大迭代次數(shù)10000,則輸出結(jié)果并退出，否則返回步驟4)。
[0068]以序列長(zhǎng)度為76的α折疊蛋白質(zhì)4ICB為實(shí)施例，運(yùn)用以上方法得到了該蛋白質(zhì)的 近天然態(tài)構(gòu)象，最小均方根偏差為2.50Α,平均均方根偏差為192 Α，預(yù)測(cè)得到的三維結(jié)構(gòu) 如圖4所示。
[0069]以上闡述的是本發(fā)明給出的一個(gè)實(shí)施例表現(xiàn)出來(lái)的優(yōu)良優(yōu)化效果，顯然本發(fā)明不 僅適合上述實(shí)施例，而且可以應(yīng)用到實(shí)際工程中的各個(gè)領(lǐng)域，同時(shí)在不偏離本發(fā)明基本精 神及不超出本發(fā)明實(shí)質(zhì)內(nèi)容所涉及內(nèi)容的前提下可對(duì)其做種種變化加以實(shí)施。
【主權(quán)項(xiàng)】
1. 一種基于質(zhì)屯、變異策略的差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，其特征在于:所述蛋白質(zhì) 結(jié)構(gòu)預(yù)測(cè)方法包括W下步驟： 1) 選取蛋白質(zhì)力場(chǎng)模型，即能量函數(shù)E(x); 2) 給定輸入序列信息； 3) 初始化:設(shè)置種群大小NP，交叉因子CR，最大迭代次數(shù)，由輸入序列產(chǎn)生初始構(gòu)象種 葡并初始化迭代次數(shù)G = 0,其中，N 表示維數(shù)，4表示第i個(gè)構(gòu)象C1的第N維元素； 4) 計(jì)算當(dāng)前種群各構(gòu)象的能量函數(shù)值E(Cl)，i = l，2，…，N，并根據(jù)當(dāng)前種群中各構(gòu)象能 量值對(duì)各構(gòu)象進(jìn)行升序排列； 5) 找出當(dāng)前種群中能量最低的構(gòu)象Cbest，并計(jì)算其他構(gòu)象的能量與Cbest的能量E(Cbest) 的平均能量誤I如果迭代次數(shù)G = 0,則令δ?3χ=δ; 6 )針對(duì)種群中的每個(gè)構(gòu)象個(gè)體,iE {1,2,3,···, ΝΡ},令Ctarget =, Ctarget表不目t不構(gòu) 象個(gè)體，提取當(dāng)前種群中能量較低的構(gòu)象信息，執(zhí)行W下操作生成變異構(gòu)象Cmutant: 6.1) 選取排名前CT個(gè)構(gòu)象C;:細(xì)二(端ed.p喘eet,2，…，端ee,.w )，"?二1，2,…，Cr巧中CT = rand (NP/3，NP/2)，rand (NP/3，NP/2)表示NP/3和NP/2之間的隨機(jī)整數(shù)，輝iwuv表示第m個(gè)選取構(gòu) 象的第腺隹元素； 6.2 )計(jì)算所選取的CT個(gè)構(gòu)象的質(zhì)心、構(gòu)象Ccentroid - ( Xcentroid, 1 , Xcentroid, 2 , , Xcentroid, n) j 其中，構(gòu)象Ccentroid的第j維元素6.3) 設(shè)置序列長(zhǎng)度L，在1和L之間隨機(jī)生成4個(gè)整數(shù)randintl、randint2、randint3和 randint4,其中randintl和randint2，randint3和randint4互不相同，令a=min(randintl, randint2) ,b = max (randintl ,randint2) , c =min (randintS ,randint4) ,d = max (randint3,randint4)，其中min表示取兩個(gè)數(shù)的最小值，max表示取兩個(gè)數(shù)的最大值； 6.4) 如果δ >0.5Smax，則設(shè)計(jì)DE/rand-to-centroid/策略進(jìn)行變異:從當(dāng)前種群中隨機(jī) 選取兩個(gè)不同的構(gòu)象C^nd哺(fand2，其中randl聲r(shí)and2 E [ 1，NP]，提取質(zhì)屯、構(gòu)象Ccentroid位置 a到位置b的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Ctandl的相同位置所對(duì)應(yīng)的二面角，同時(shí) 提取構(gòu)象Ctand2位置C到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換構(gòu)象Ctandl相同位置所對(duì) 應(yīng)的二面角，然后將所得Ctandl進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant; 6.5) 如果δ《〇 . 5Smax，則設(shè)計(jì)DE/cen化oid/2策略進(jìn)行變異:從當(dāng)前種群中隨機(jī)選取兩 個(gè)不同的構(gòu)象CTand哺cTand2，其中randl聲r(shí)and2e [ 1，NP]，提取構(gòu)象fandi位置a到位置b的片 段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)屯、構(gòu)象CcentrDid的相同位置所對(duì)應(yīng)的二面角，同時(shí)使用 Ctand2上位置C到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)屯、構(gòu)象Ceentrnid相同位置所對(duì) 應(yīng)的二面角，然后將所得CcentrDid進(jìn)行片段組裝得到變異構(gòu)象個(gè)體Cmutant;; 7)對(duì)變異構(gòu)象Cmutant執(zhí)行交叉操作生成測(cè)試構(gòu)象Ctrial: 7.1) 在0和1之間隨機(jī)生成小數(shù)rand3; 7.2) 若抑11(13《01?，則在1和1之間隨機(jī)生成整數(shù)^11(14，利用變異構(gòu)象山。*3。沖的片段 rand4替換目標(biāo)構(gòu)象Ctarget中對(duì)應(yīng)的片段，從而生成測(cè)試構(gòu)象Ctriai，若rand3〉CR，貝iJCtriai直 接等于變異構(gòu)象Cmutant; 8 )計(jì)算測(cè)試構(gòu)象Ctrial的能量值E ( Ctrial)，如果E ( Ctrial )-E ( Ctarget) <0，表明測(cè)試構(gòu)象優(yōu) 于目標(biāo)構(gòu)象，則測(cè)試構(gòu)象Ctrial替換目標(biāo)構(gòu)象Ctarget; 9)判斷是否滿足終止條件，若滿足則輸出結(jié)果并退出，否則返回步驟4)。2.如權(quán)利要求1所述的一種基于質(zhì)屯、變異策略的雙層差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法， 其特征在于:所述步驟9)中，對(duì)種群中的每個(gè)構(gòu)象個(gè)體都執(zhí)行完步驟6)-8)?后，迭代次數(shù)G =G+1，終止條件為迭代次數(shù)G達(dá)到步驟3)中預(yù)設(shè)的最大迭代次數(shù)。
【文檔編號(hào)】G06F19/12GK106096326SQ201610390675
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月2日 公開號(hào)201610390675.0, CN 106096326 A, CN 106096326A, CN 201610390675, CN-A-106096326, CN106096326 A, CN106096326A, CN201610390675, CN201610390675.0
【發(fā)明人】張貴軍, 周曉根, 俞旭鋒, 郝小虎, 王柳靜, 徐東偉
【申請(qǐng)人】浙江工業(yè)大學(xué)