[发明专利]一种基于香农熵的多阶段蛋白质结构预测方法

摘要

一种基于香农熵的多阶段蛋白质结构预测方法，首先利用Rosetta Abinitio协议对搜索空间进行搜索，通过对背景点的聚类找到潜在天然态区域；然后，在群体进化算法的框架下分阶段执行预测过程，分析每一代种群与潜在天然态区域的关系，通过分类来表明当前种群所处的进化状态；其次，计算种群前后两代的状态转移矩阵并用香农熵来衡量种群的状态转化情况；最后，根据香农熵值在某一阈值内的累计次数进行阶段切换，以最后一代种群作为最终预测结果。本发明提供一种基于香农熵的多阶段蛋白质结构预测方法，根据香农熵进行阶段的动态切换，使得算法的预测精度和鲁棒性显著提高。

主权项

1.一种基于香农熵的多阶段蛋白质结构预测方法，其特征在于：所述蛋白质结构预测方法包括以下步骤：1)给定输入序列信息，利用Robetta服务器获得该序列的片段库；2)Markov状态模型的构建，过程如下：2.1)获取nstruct个背景点：运行Rosetta Abinitio协议nstruct次，记录每次运行的构象结果，作为背景点；2.2)计算nstruct个背景点之间的方均根差距离RMSD，组成距离矩阵D；2.3)根据距离矩阵D，利用k‑mediods聚类方法对nstruct个背景点分类，得到m个簇心，作为m个Markov状态；3)初始化：种群规模NP，当前阶段stage＝1，香农熵阈值α，香农熵最大累计次数count_max，根据输入序列，执行Rosetta Abinitio的当前阶段NP次，产生初始构象种群P＝{C1,C2,...,CNP}，其中CNP表示第NP个个体；4)计算当前种群状态：对种群中个体Ci,i∈{1,...,NP}分类：计算Ci与m个簇心的RMSD距离，若Ci与第p个簇心距离最近，那么该个体当前状态statei＝p，p∈{1,2,...,m}，整个种群的状态表示为statelast＝{state1,state2,...,stateNP}，statelast指上一代种群状态，stage＝stage+1；5)令香农熵的累计次数count＝0，进入下一阶段，过程如下：5.1)对种群执行对应阶段的预测过程，过程如下：5.1.1)对个体Ci进行片段组装得到C′i，并使用该阶段的能量函数评价片段组装前后该构象的能量Estage(Ci)、E′stage(C′i)；5.1.2)若Estage(Ci)＞E′stage(C′i)，则接受本次片段组装Ci＝C′i；否则，用Metropolis标准进行选择，计算p＝exp(‑(Estage(Ci)‑Estage(C′i))，若p＞rand(0,1)，则接受本次片段组装Ci＝Ci′；否则，拒绝本次片段组装；5.1.3)对所有个体执行步骤5.1.1)～5.1.2)，得到下一代种群；5.2)计算当前种群状态：对种群中个体Ci,i∈{1,2,...,NP}分类：计算Ci与m个簇心的RMSD距离，若Ci与第q，q∈{1,2,...,m}个簇心距离最近，那么该个体当前状态state′i＝q，整个种群的状态表示为statenow＝{state′1,state′2,...,state′NP}，statenow指当前种群状态；5.3)根据前后两代的状态统计得出Markov状态转移矩阵T：对构象Ci,i∈{1,...,NP}的前后两次状态statei＝p和state′i＝q表明一次从状态p到状态q的转移，则tpq＝tpq+1/m，tpq为矩阵T第p行第q列的数值，表示该状态转移频率，其初始值为0；5.4)根据状态转移矩阵T计算香农熵值Entropy＝∑‑tpq lntpq；5.5)更新当前状态statelast＝statenow；5.6)如果Entropy＜α,则认为种群状态转移越确定，则count＝count+1；5.7)若count

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江工业大学，未经浙江工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201810238703.6/，转载请声明来源钻瓜专利网。