[发明专利]一种基于片段组装的蛋白质构象空间优化方法

说明书

技术领域

本发明涉及生物信息学、计算机应用领域，尤其涉及的是一种基于片段组装的蛋白质构象空间优化方法。

背景技术

人类基因组序列图的成功绘制，意味着人类基因组计划的所有预定目标全部实现，也标志着人类基因组计划的胜利完成和后基因组时代的来临。在后基因组时代，研究工作的重心从基因测序转向了基因组功能的识别：根据蛋白质分子的氨基酸序列预测其空间结构。这将使人们更系统的理解生物信息从DNA到具有生物活性蛋白质的遗传信息传递过程，使中心法则得到更为详尽的阐明，进而对生命过程中的各种现象有进一步的深刻认识，最终推动生命科学的向前发展。蛋白质结构预测除了其自身的理论意义外，还具有很重要的实际应用意义。人们希望通过研究蛋白质的空间结构来了解其内在机理，这样不仅可以对疾病进行有效的预测和控制，还可以按照人们的设想设计出符合特定需求的非天然蛋白质。

蛋白质构象优化问题现在面临最大的挑战是对极其复杂的蛋白质能量函数曲面进行搜索。蛋白质能量模型考虑了分子体系成键作用以及范德华力、静电、氢键、疏水等非成键作用，致使其形成的能量曲面极其粗糙，构象对应局部极小解数目随序列长度的增加呈指数增长。而蛋白质构象预测算法能够找到蛋白质稳定结构的机理是，大量的蛋白质亚稳定结构构成了低能量区域，所以能否找到蛋白质全局最稳定结构的关键是算法能够找到大量的蛋白质亚稳定结构，即增加算法的种群多样性。因此，针对更加精确的蛋白质力场模型，选取有效的构象空间优化算法，使新的蛋白质结构预测算法更具有普遍性和高效性成为生物信息学中蛋白质结构预测的焦点问题。

因此，我们需要发展有效的蛋白质构象空间优化方法。

发明内容

针对上述问题，我们提出了一种基于片段组装的蛋白质构象空间优化算法FDE(fragment-assembly differential evolution algorithm)。FDE在片段组装的基础上，采用基于知识的Rosetta粗粒度能量模型，融入差分进化算法(DE)，利用DE算法较强的全局搜索能力对蛋白质构象空间进行搜索。

本发明解决其技术问题所采用的技术方案是：

一种基于片段组装的蛋白质构象空间优化方法，所述优化方法包括以下步骤：

1)初始化种群：从蛋白质片段库中随机选取片段产生包含popSize个个体的种群P_int，并设置算法参数：种群大小popSize，蛋白质序列长度Length(即优化问题的维数)，算法的迭代次数T，算法的交叉因子CR，蛋白质片段的长度L。

2)根据评分函数f计算每个种群的函数值大小，并进行排序，其中P_max的函数值最优。

3)在未达到设定的终止条件时，进行以下操作

3.1)对种群P_int中每个个体P_i做以下操作：

3.1.1)设i＝1，其中i∈{1,2,3,…,popSize}；

3.1.2)其中P_origin＝P_i，P_origin为初始种群，P_i为P_int中的每个个体；

3.1.3)随机生成正整数rand1，rand2，rand3；其中rand1≠rand2，且

rand1,rand2∈{1,2,…,Length}，rand3∈{1,2,3,......popSize}；

3.1.4)针对个体P_j做变异操作，其中：

j∈{min(rand1,rand2),...,max(rand1,rand2)}

a：令P_origin.phi(j)←P_rand3.phi(j)；

b：令P_origin.psi(j)←P_rand3.psi(j)；

c：令P_origin.omega(j)←P_rand3.omega(j)；

其中phi，psi，omega分别表示构象的三个二面角Φ，Ψ，ω；

3.2)通过变异操作得到个体S_new；

3.3)根据执行算法交叉过程，其中

k∈{0,0+L,0+2L,....Length}，L为蛋白质片段的长度。