[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

说明书

一种基于多目标分解优化策略的蛋白质结构优化方法，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。本发明采用多种能量函数缓解单个能量函数带来的偏差，并运用粒子群算法在蛋白质结构空间中进行搜索，采用分解策略将多目标问题分解为一系列单目标子问题，避免了搜索过程中粒子因优化方向不明确所引起的振荡问题，使得优化效果更加稳定。

技术领域

本发明涉及的是一种蛋白质生物学与模式识别领域的技术，具体是一种基于多目标分解优化策略的蛋白质结构优化方法。

背景技术

蛋白质的结构与功能密切相关，高精度的结构对理解蛋白质的功能至关重要。而蛋白质结构优化则是得到更准确的蛋白质结构的关键步骤。现有的技术通常是结合能量函数和优化算法，将初始结构的信息作为约束，在蛋白质构象空间中迭代搜索，寻找能量函数值最低的构象。这种技术的有效性取决于所用能量函数的准确度，但由于蛋白质结构的多样性，现有的单个能量函数都无法准确地描述所有蛋白质的状态，故在使用单个能量函数进行搜索时，结果往往会有偏差，从而使优化失败。而选择多个能量函数作为多目标来指导搜索的过程可以有效地缓解单个能量函数带来的潜在偏差。但是，这些基于多目标的方法大多利用支配关系求解非支配解集，无法直接控制搜索的方向，也没有合适的机制来维持最终解集的多样性。而损失多样性就意味着损失了多目标优化的优势，同时，由于缺少明确的优化目标，优化过程往往会出现振荡的现象，导致收敛性变弱，使蛋白质结构出现退化的现象。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于多目标分解优化策略的蛋白质结构优化方法，采用多种能量函数缓解单个能量函数带来的偏差，并运用粒子群算法在蛋白质结构空间中进行搜索。在处理多目标优化问题时，采用分解策略将多目标问题分解为一系列单目标子问题，并把它们与粒子群算法中的每一个粒子联系起来，使得每个粒子都有确切的优化方向，避免了搜索过程中粒子因优化方向不明确所引起的振荡问题，增强了算法的收敛性并保证了最终所得结构的多样性，使得优化效果更加稳定。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多目标分解优化策略的蛋白质结构优化方法，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。

本方法具体包括如下步骤：

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。

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。

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、CHARM能量函数、RWplus能量函数。