A protein structure prediction method based on multi-population ensemble mutation strategy is proposed. In the framework of evolutionary algorithm and evolutionary algorithm, the population is divided into four sub-populations on average, and different mutation strategies are designed for each sub-population through conformation collaboration in each sub-population. Secondly, according to Rosetta energy function score3, distance error coefficient and Mongolia, different mutation strategies are designed for each sub-population. The TeCarlo probability acceptance criterion not only alleviates the problem of inaccurate energy function, but also guides the algorithm to sample the conformation with lower energy and more reasonable structure, and at the same time improves the sampling efficiency. The invention provides a protein structure prediction method based on multi-population ensemble mutation strategy with high sampling efficiency and prediction accuracy.
【技术实现步骤摘要】
一种基于多种群系综变异策略的蛋白质结构预测方法
本专利技术涉及生物信息学、计算机应用领域,尤其涉及的是一种基于多种群系综变异策略的蛋白质结构预测方法。
技术介绍
计算机硬件和软件技术的快速发展,为从头预测方法的发展提供了结实的基础平台条件。蛋白质结构从头预测方法取得的进展和突破,进一步促进了计算机科学、进化计算的学科研究人员的广泛参与,使其成为近年来蛋白质结构预测领域中最为活跃的一个多学科研究课题。2012年《Science》杂志发表的一篇综述文章中,美国科学院院士Dill教授回顾了50年来从头预测领域取得的进展,并指出在寻求这一问题答案的过程中,极大推动了超级计算机、新材料和药物发现的发展,帮助人们理解生命的基本过程。从头预测方法目前还面临着诸多困难和挑战。从头预测方法直接基于蛋白质物理或知识能量模型,利用优化算法在构象空间搜索全局最低能量构象解。构象空间优化方法是目前制约蛋白质结构从头预测精度最关键的因素之一。优化算法应用于从头预测采样过程必须首先解决一下三个方面的问题:(1)能量的复杂性。(2)能量模型的高维特性。(3)能量模型的不精确性。目前,我们还远远无法构建起能引导目标序列朝正确方向折叠的足够精确力场,导致数学上的最优解并不一定对应于目标蛋白的天然结构;此外,模型的不精确性也会导致无法对优化算法性能进行客观地分析。蛋白质构象空间优化的本质复杂性,使其成为蛋白质结构从头预测领域中一个极具挑战性的研究课题。为了能够利用计算机在巨大的采样空间中发现唯一的蛋白质天然结构,就必须设计高效的构象空间优化算法将其转化为可实际操作的计算问题。差分进化算法(DE ...
【技术保护点】
1.一种基于多种群系综变异策略的蛋白质结构预测方法,其特征在于:所述方法包括以下步骤:1)给定目标蛋白的序列信息;2)根据目标蛋白序列从ROBETTA服务器上得到片段库文件,其中包括3片段库文件和9片段库文件;3)根据序列信息从QUARK服务器上得到距离谱文件;4)设置参数:种群大小NP,算法的最大迭代代数G,交叉因子CR,温度因子β,置迭代代数g=0;5)种群初始化:随机片段组装生成NP个初始构象Ci,i={1,2,…,NP},把NP个个体平均分成四个子种群,即
【技术特征摘要】
1.一种基于多种群系综变异策略的蛋白质结构预测方法,其特征在于:所述方法包括以下步骤:1)给定目标蛋白的序列信息;2)根据目标蛋白序列从ROBETTA服务器上得到片段库文件,其中包括3片段库文件和9片段库文件;3)根据序列信息从QUARK服务器上得到距离谱文件;4)设置参数:种群大小NP,算法的最大迭代代数G,交叉因子CR,温度因子β,置迭代代数g=0;5)种群初始化:随机片段组装生成NP个初始构象Ci,i={1,2,…,NP},把NP个个体平均分成四个子种群,即和其中,j={1,2,…,NP/4},k={NP/4+1,…,NP/2},m={NP/2+1,…,NP3/4},n={3NP/4+1,…,NP};6)对第一个子种群中的个体进行如下操作:6.1)将设为目标个体在第一个子种群中随机选出一个构象个体从剩下的三个子种群中随机选择两个子种群,再分别从这两个子种群中随机取出两个个体Ca,Cb,分别从Ca、Cb中随机选择一个位置不同的9片段,分别替换到对应的位置的片段生成变异构象对进行一次片段组装生成构象6.2)随机生成一个0和1之间的均匀分布小数R,若R>CR,则从上随机选择一个9片段替换到对应位置;否则保持不变,把这一操作的到的构象记为测试构象6.3)用Rosettascore3能量函数分别计算与的能量:和6.4)若则构象替换接收次数count1加1,并转到步骤6.8),否则,继续执行步骤6.5);6.5)根据距离谱中的残基对分别计算和的残基间距离和然后分别根据公式(1)、(2)计算和的距离误差系数Dtrial和Dtarget,其中,T表示距离谱中残基对的数量,和分别表示和构象中第t对残基对应Cα原子之间的距离,dN表示距离谱第N个距离区间中距离谱的平均值,PDN表示距离谱长度在区间N内的数量,距离谱中距离范围为(0,9),距离间隔为0.5,即距离区间为(0,0.5],(0.5,1],…,(8.5,9);6.6)若Dtrial<D...
【专利技术属性】
技术研发人员:张贵军,彭春祥,周晓根,刘俊,王柳静,胡俊,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。