(0, 1)，rand5 G (1，Length);
[0050] 4. 7)根據(jù)
執(zhí)行交叉過程：若隨機(jī)數(shù) rand4〈 = CR，個體PtHal的片段rand5替換為個體P ta,get中對應(yīng)的片段，否則直接繼承個體 Ptrial。
[0051] 4. 8)根據(jù) Rosetta Score3 計算Ptarget和Ptrial的能量：E(Ptarget)和E(Ptrial);
[0052] 4. 9)若 E (Ptmget) >E (PtHal)則用Ptaial替換Ptmget，否則保持種群不變；
[0053] 5)得到更新種群Pupdate;
[0054] 6)對更新種群中的每個個體Pi:
[0055] 6. 1)調(diào)用MonteCarlo方法對個體做局部增強(qiáng)；
[0056] 6. 2)計算增強(qiáng)過程中產(chǎn)生的構(gòu)象的能量E(MC);
[0057] 6. 3)若E(PJ>E (MC)，則更新種群，否則保持種群不變；
[0058] 7)得到局部增強(qiáng)后的種群Penhanee;
[0059] 8)迭代的運(yùn)行步驟4)~7)，至終止條件。
[0060] 本實施例以序列長度為54的蛋白質(zhì)1ENH為實施例，一種局部增強(qiáng)的差分進(jìn)化蛋 白質(zhì)構(gòu)象空間搜索方法，其中包含以下步驟：
[0061] 1)給定輸入序列信息1ENH ;
[0062] 2)設(shè)置系統(tǒng)參數(shù)：種群大小popSize = 30,算法的迭代次數(shù)T = 10000,交叉因子 CR = 0. 5,片段的長度L = 3 ;
[0063] 3)種群初始化：由輸入序列產(chǎn)生popSize = 30個種群個體Pinit;
[0064] 4)開始迭代，執(zhí)行種群更新過程，對初始種群中的每個個體：
[0065] 4.1)設(shè) i = 1，其中 i G {1，2,3,…，30};令 Ptarget=Pi，其中 i 為序號，Ptarget表 示目標(biāo)個體；
[0066] 4.2)隨機(jī)生成正整數(shù)randl，rand2，rand3，其中 四11(11￡{1，2,3，...，30}，四11(11辛；[，四11(12辛四11(13，￡{1，2，...，54}，1^1^1:11為序列長 度；
[0067] 4.3)針對個體 Pj做變異操作，其中：j =randl;令a=min(rand2,rand3)，b= max(rand2,rand3)，kG[a,b]；
[0068] 4. 4)對蛋白質(zhì)鏈中第a到b個氨基酸做如下操作：
[0069] a :令 Ptarget. phi (k) = Pj. phi (k);
[0070] b :令 Ptarget. psi (k) = Pj. psi (k);
[0071] c :令Ptarget. omega(k) =Pj.omega(k);
[0072] 步驟a，b，c分別為：將Ptmget的氨基酸k所對應(yīng)的二面角phi、psi、omega替換為 Pj的相同位置所對應(yīng)的二面角phi、psi、omega ;
[0073] 4. 5)通過變異得到測試個體Ptrial;
[0074] 4. 6)生成隨機(jī)數(shù) rand4, rand5,其中 rand4 G (0, 1)，rand5 G (1，54);
r
[0075] 4. 7)根據(jù) 執(zhí)行交叉過程：若隨機(jī)數(shù) rand4〈 = 0. 5,個體PtHal的片段rand5替換為個體Pta,get中對應(yīng)的片段，否則直接繼承個體 Ptrial。
[0076] 4. 8)根絕RosettaScore3 計算 Ptarget和 P trial的能量：E(P target)和 E(Ptrial);
[0077] 4.9)若 E(Ptmget)>E(PtHal)則用Ptaial替換Ptmget，否則保持種群不變；
[0078] 5)得到更新種群Pupdate;
[0079] 6)對更新種群中的每個個體Pi:
[0080] 6. 1)調(diào)用MonteCarlo方法對個體做局部增強(qiáng)；
[0081] 6. 2)計算增強(qiáng)過程中產(chǎn)生的構(gòu)象的能量E(MC);
[0082]6. 3)若E的)>E(MC)，則更新種群，否則保持種群不變；
[0083] 7)得到局部增強(qiáng)后的種群Penhanc;e;
[0084] 8)迭代的運(yùn)行步驟4)~7)，至終止條件。
[0085] 以序列長度為54的蛋白質(zhì)1ENH為實施例，運(yùn)用以上方法得到了該蛋白質(zhì)的近天 然態(tài)構(gòu)象，構(gòu)象系綜中構(gòu)象更新圖如圖1所示。
[0086]以上闡述的是本發(fā)明給出的一個實施例表現(xiàn)出來的優(yōu)良效果，顯然本發(fā)明不僅適 合上述實施例，在不偏離本發(fā)明基本精神及不超出本發(fā)明實質(zhì)內(nèi)容所涉及內(nèi)容的前提下可 對其做種種變化加以實施。
【主權(quán)項】
1.一種局部增強(qiáng)的差分進(jìn)化蛋白質(zhì)構(gòu)象空間捜索方法，其特征在于：所述構(gòu)象空間捜 索方法包括W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，片段的長度L; 3) 種群初始化；由輸入序列產(chǎn)生popSize個種群個體PiMt; 4) 開始迭代，執(zhí)行種群更新過程，對初始種群中的每個個體： 4. 1)設(shè)i= 1，其中iG(1，2,3,…，pOpSize};令Ptarget=Pi，其中i為序號，Ptarget表 示目標(biāo)個體； 4. 2)隨機(jī)生成正整數(shù)randl，rand2,rand3,其中randlG(1, 2, 3,......popSize}, randl聲i，rand2 聲rand3,G(1, 2,…，Length}，Length為序列長度； 4. 3)針對個體Pj做變異操作，其中；j=randl;令a=min(rand2,rand3),b= max(rand2,rands)，kE[a,b]； 4. 4)對蛋白質(zhì)鏈中第a到b個氨基酸做如下操作： a:令Ptarget.phi化）=Pj.地i化）；b:令Ptarget.psi化）=Pj.psi化）； C:令Ptarget.omega(k) =Pj.omega(k)； 步驟a，b，c分別為；將Pt"get的氨基酸k所對應(yīng)的二面角phi、psi、omega替換為Pj的 相同位置所對應(yīng)的二面角地i、psi、omega; 4.5)通過變異得到測試個體Ptfw; 4.6)生成隨機(jī)數(shù)rand4,rands,其中rand4G(0, 1)，randsG(1,Length); 4. 7)根據(jù)執(zhí)行交叉過程：若隨機(jī)數(shù)rand4< =CR，個體Pwdi的片段rand5替換為個體Ptawt中對應(yīng)的片段，否則直接繼承個體Ptfw; 4. 8)根據(jù)RosettaScore3 計算Ptarget和Ptrial的能量；E(Ptarget)和E(Pwai); 4. 9)若E(Pt"gJ〉E(PwJ則用Ptrw替換P 否則保持種群不變； 5) 得到更新種群Pupdw。； 6) 對更新種群中的每個個體Pi: 6. 1)調(diào)用MonteCarlo方法對個體做局部增強(qiáng)； 6.2)計算增強(qiáng)過程中產(chǎn)生的構(gòu)象的能量E(MC); 6. 3)若E(Pi)〉E(MC)，則更新種群，否則保持種群不變； 7) 得到局部增強(qiáng)后的種群 8) 迭代的運(yùn)行步驟4)~7)，至終止條件。
【專利摘要】一種局部增強(qiáng)的差分進(jìn)化蛋白質(zhì)構(gòu)象空間搜索方法，包括以下步驟：給定輸入序列，設(shè)置系統(tǒng)參數(shù)：種群大小，迭代次數(shù)，交叉因子，片段長度；對種群中的每個個體進(jìn)行完全的片段組裝，生成初始種群；依次對初始種群中的每一個個體，執(zhí)行變異、交叉、選擇操作對種群進(jìn)行更新，得到更新種群；對更新種群中的每個個體調(diào)用Monte Carlo方法進(jìn)行局部增強(qiáng)，按照設(shè)定的玻爾茲曼接收概率接收增強(qiáng)的個體，得到增強(qiáng)的種群；迭代的運(yùn)行以上步驟，至達(dá)到終止條件。本發(fā)明有效降低構(gòu)象空間搜索維數(shù)、提高算法的收斂速度、有效提高預(yù)測精度，可以對構(gòu)象空間進(jìn)行更為有效的采樣。
【IPC分類】G06F19/24
【公開號】CN104933327
【申請?zhí)枴緾N201510310223
【發(fā)明人】張貴軍, 郝小虎, 俞旭鋒, 周曉根, 陳凱, 徐東偉
【申請人】浙江工業(yè)大學(xué)
【公開日】2015年9月23日
【申請日】2015年6月8日