技術(shù)特征：

1.一種局部增強(qiáng)的多模態(tài)差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)從頭預(yù)測(cè)方法，其特征在于：所述構(gòu)象空間搜索方法包括以下步驟：

1)給定輸入序列信息；

2)設(shè)置系統(tǒng)參數(shù)：種群大小popSize，算法的迭代次數(shù)T，交叉因子CR，變異因子MU，片段的長(zhǎng)度L，模態(tài)數(shù)量N；

3)種群初始化：由輸入序列產(chǎn)生popSize個(gè)種群個(gè)體P_init；

4)模態(tài)建立：將種群平均劃分為N個(gè)模態(tài)；

5)開(kāi)始迭代，執(zhí)行種群進(jìn)化過(guò)程：

5.1)設(shè)i＝1，j＝1,其中i∈{1,2,3,…,N},j∈{1,2,3,…,N_modal}；令P_target＝P_ij，其中i,j為序號(hào)，N_modal表示模態(tài)中個(gè)體的數(shù)目，P_target表示目標(biāo)個(gè)體；

5.2)針對(duì)個(gè)體P_target做變異操作：從L＝3的片段庫(kù)中隨機(jī)選擇片段進(jìn)行片段組裝，得到中間個(gè)體P_trial′；

5.3)隨機(jī)生成正整數(shù)rand1，rand2，rand3，其中rand1∈{1,2,3,...,N_modal}，rand1≠j，rand2∈{1,2,…,Length}，rand3∈(0,1)，其中Length為序列長(zhǎng)度；

5.4)若隨機(jī)數(shù)rand3<＝CR，針對(duì)P_trial’做交叉操作：令l＝rand1；k＝rand2；令即：將P_trial′的第k個(gè)氨基酸所對(duì)應(yīng)的二面角φ,ω替換為P_l相同位置氨基酸對(duì)應(yīng)的二面角φ,ω；

5.5)令P_trial＝P_trial′，得到測(cè)試個(gè)體P_trial；

5.6)執(zhí)行更新操作：根據(jù)Rosetta Score3能量函數(shù)計(jì)算P_target和P_trial的能量：E(P_target)，E(P_trial)；若E(P_target)>E(P_trial)令P_target＝P_trial，否則保持種群不變；

5.7)得到更新后的種群P_update；

5.8)針對(duì)種群P_update中的每一個(gè)模態(tài)做模態(tài)增強(qiáng)：

5.8.1)選擇模態(tài)中能量最低的兩個(gè)個(gè)體P_des1，P_des2，構(gòu)建當(dāng)前模態(tài)的下界支撐面，得到模態(tài)區(qū)域最小估計(jì)值x_min；

5.8.2)根據(jù)構(gòu)建廣義下降方向D_des，其中為個(gè)體P_des1的二面角表示；

5.8.3)根據(jù)生成增強(qiáng)個(gè)體P_enhance，其中為個(gè)體P_des2的二面角表示，λ為步長(zhǎng)調(diào)整因子；

5.8.4)根據(jù)Rosetta Score3能量函數(shù)計(jì)算增強(qiáng)個(gè)體的能量：E(P_enhance)，并與當(dāng)前模態(tài)中能量最高的個(gè)體P_max進(jìn)行比較，若能量下降，則用增強(qiáng)個(gè)體替換當(dāng)前能量最高個(gè)體；

6)迭代運(yùn)行步驟5)至達(dá)到終止條件。

2.如權(quán)利要求1所述的一種局部增強(qiáng)的多模態(tài)差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)從頭預(yù)測(cè)方法，其特征在于：所述步驟6)中，終止條件為迭代次數(shù)T達(dá)到最大迭代次數(shù)T_max。