蛋白質(zhì)能量模型的不精確性導(dǎo)致數(shù)學(xué)上的最優(yōu)解并不一定對(duì)應(yīng)其穩(wěn)定的天然態(tài)結(jié)構(gòu),同時(shí)其巨大的構(gòu)象空間使得現(xiàn)有方法也極易收斂到局部最優(yōu)解。針對(duì)蛋白質(zhì)結(jié)構(gòu)能量模型不精確和高維構(gòu)象空間采樣可靠性低的問(wèn)題,在進(jìn)化算法的基礎(chǔ)上,提出了一種基于二面角相似度的蛋白質(zhì)構(gòu)象多模態(tài)優(yōu)化方法。首先,執(zhí)行模態(tài)探測(cè),將Rosetta粗粒度能量模型作為篩選高質(zhì)量新個(gè)體的標(biāo)準(zhǔn),進(jìn)行種群更新,增加種群構(gòu)象的多樣性;然后,建立二面角相似度模型,用于評(píng)價(jià)不同構(gòu)象間的相似程度,以滿足多模態(tài)優(yōu)化算法中相似個(gè)體快速判定的要求,并基于排擠更新策略實(shí)現(xiàn)模態(tài)增強(qiáng),獲得結(jié)構(gòu)更為合理的構(gòu)象。10個(gè)測(cè)試蛋白質(zhì)的實(shí)驗(yàn)結(jié)果表明:所提算法能夠達(dá)到較高的預(yù)測(cè)精度,并且可以使種群具有良好的模態(tài)分布,得到盡可能多的高質(zhì)量局部極值解,從而獲得一些較好的蛋白質(zhì)亞穩(wěn)態(tài)結(jié)構(gòu)。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖1粗粒度蛋白質(zhì)表達(dá)模型

粗粒度蛋白質(zhì)模型只保留了主鏈骨干原子N,Cα,C,O以及側(cè)鏈替代原子。如圖1所示,用二面角?,ψ和ω來(lái)表示氨基酸鏈,?表示C-N-Cα所在平面與N-Cα-C所在平面構(gòu)成的二面角,ψ表示N-Cα-C所在平面與Cα-C-N所在平面構(gòu)成的二面角,ω表示Cα-C-N所在平面與C-N-Cα....

圖2時(shí)間對(duì)比(電子版為彩色)

圖2是蛋白質(zhì)相似度(RootMeanSquareDeviation,RMSD)[36]和二面角相似度的計(jì)算時(shí)間對(duì)比圖,橫坐標(biāo)為不同測(cè)試蛋白,縱坐標(biāo)為進(jìn)行18000000次結(jié)構(gòu)比對(duì)實(shí)驗(yàn)所花費(fèi)的時(shí)間。圖2所示結(jié)果表明,采用二面角相似度進(jìn)行蛋白質(zhì)結(jié)構(gòu)比對(duì)所花費(fèi)的時(shí)間遠(yuǎn)遠(yuǎn)短于采....

圖3種群的平均能量趨勢(shì)(電子版為彩色)

圖3以1c8cA為例給出了算法搜索過(guò)程中的種群平均能量趨勢(shì)。在種群模態(tài)探測(cè)階段初期,種群構(gòu)象的平均能量快速下降,形成了大致的折疊拓?fù)?在隨后的探測(cè)過(guò)程中,種群平均能量的下降趨勢(shì)明顯放緩,算法在更為廣闊的構(gòu)象空間中進(jìn)行充分的采樣,實(shí)現(xiàn)了更多模態(tài)的探測(cè)。模態(tài)探測(cè)過(guò)程完成后,算法進(jìn)入模....

圖4DASOM算法的搜索過(guò)程圖(電子版為彩色)

圖4清晰地展示了模態(tài)探測(cè)和模態(tài)增強(qiáng)的過(guò)程。經(jīng)過(guò)模態(tài)探測(cè)階段對(duì)構(gòu)象空間進(jìn)行充分的搜索之后,種群在構(gòu)象空間中形成了不同的模態(tài);進(jìn)入模態(tài)增強(qiáng)階段后,排擠更新策略使得種群中潛在的合理構(gòu)象被保留下來(lái),種群構(gòu)象質(zhì)量得到提高;在最后一代種群中,不僅得到了能量最低的全局最優(yōu)解,也可以得到一系列局....

本文編號(hào)：3894951