[发明专利]基于多目标分解优化策略的蛋白质结构优化方法

权利要求书

1.一种基于多目标分解优化策略的蛋白质结构优化方法，其特征在于，首先将待优化的结构通过随机扰动生成不同的构象作为目标粒子，即每一个粒子都对应一个构象，并为每一个粒子分配一个独有的权重向量，然后利用粒子群算法根据每个粒子独有的权重向量更新其位置和速度，每次更新时筛选出非支配粒子放入解集中，当达到最大迭代次数后得到的非支配粒子集合即为最终解集，最后使用边际效用方法对最终解集中的结构进行排序并将边际效用值最小的构象作为优化后的蛋白质结构。

2.根据权利要求1所述的基于多目标分解优化策略的蛋白质结构优化方法，其特征是，具体包括如下步骤：

S1：给定氨基酸序列长度为L的蛋白质结构，通过随机扰动生成指定数量为N的构象群体{x₁，...x_N}，即粒子群，每一个粒子都对应一个构象，并将粒子进行向量化表示；

S2：计算每个粒子的三个能量值，同时生成与粒子数同等数量的权重向量；将权重向量和分解策略结合然后分配到每一个粒子；然后初始化粒子的速度，个体最优和全局最优，并构造初始解集，具体包括：

S21：所用三个能量函数包括Rosetta能量函数、CHARMM能量函数、RWplus能量函数；

S22：权重向量λ_i的生成使用simplex-lattice design方法，具体为：其中：i＝1...N，N为粒子群大小，M为能量函数的个数，此处M＝3，H是分隔距离，且满足

S23：分解策略采用了PBI方法，具体为：minimize g^pbi(x|λ，z^*)＝d₁+θd₂，subject to x∈Ω，F(x)＝(f_Rosetta(x)，f_RWplus(x)，f_CHARMM(x))，θ为惩罚系数；

S24.每个粒子的个人最优位置初始化为自身，同时定义每个粒子的邻域为所有粒子中与其权重向量最相似的T个粒子，则全局最优初始化为邻域中PBI值最小的粒子；

S3：利用粒子群算法更新当前的位置和速度，其中粒子群更新具体为：更新各粒子更新步长更新各粒子当前的位置其中：为第i个粒子在第t次迭代中的更新步长，w为惯性系数，c₁，c₂为认知系数，r₁，r₂为[0，1]之间的随机数，为第i个粒子在t次迭代中个体最优位置，为第i个粒子在t次迭代过程中全局最优结构；

S4：每一轮迭代之后重新计算每个粒子的三个能量值，筛选出非支配解并放入解集中，每个粒子根据自己的权重向量更新个体最优和全局最优，具体包括：

S5：执行S3和S4直到达到最大迭代次数，将最终解集中的结构进行排序并作为最优结构输出。

3.根据权利要求2所述的基于多目标分解优化策略的蛋白质结构优化方法，其特征是，所述的粒子向量化表示是指：采用内坐标系，固定构象原子之间的键长和键角，只选取每个氨基酸的三个扭转角作为参考，则任意一个蛋白质结构可表示为x_i＝[φ₁，ψ₁，ω₁，...，φ_L，ψ_L]，长度为3L-3的向量。

4.根据权利要求1所述的基于多目标分解优化策略的蛋白质结构优化方法，其特征是，所述的步骤4，具体包括：

S41：分别计算各自粒子的三个能量函数值；

S42：确定当前粒子群中的非支配粒子，将这些粒子分别与解集中的解比较，当不被解集中的任何解支配，则放入解集中，当解集中的解被当前粒子支配，则将其从解集中删除；

S43：各个粒子根据自己的权重向量和当前的三个能量值计算此时的适应度，当小于个体最优的适应度，则将个体最优更新为当前位置，否则保持个体最优的位置；

S44：对于每个粒子邻域内的粒子，计算邻域内所有粒子其三个能量和当前粒子权重向量所得的PBI值，选择PBI值最小的粒子与当前粒子的全局最优比较，当小于当前粒子的全局最优，则更新当前粒子的全局最优位置，否则保持当前粒子的全局最优位置不变。