本發(fā)明涉及一種生物學(xué)信息學(xué)、智能優(yōu)化、計算機應(yīng)用領(lǐng)域，尤其涉及的是，一種基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)預(yù)測方法。

背景技術(shù)：

蛋白質(zhì)是所有生物中最重要的大分子之一，一個細(xì)胞的干重的一半以上是蛋白質(zhì)。蛋白質(zhì)是由單一的肽鍵連接在一起的氨基酸的順序鏈，這些連接的鏈折疊成能體現(xiàn)它們功能的三維結(jié)構(gòu)，并調(diào)節(jié)生物體中的細(xì)胞活動，以保持生命。蛋白質(zhì)分子在分子水平上具體體現(xiàn)了蛋白質(zhì)結(jié)構(gòu)和功能之間的顯著關(guān)系。蛋白質(zhì)在生物學(xué)中有許多不同的功能。蛋白質(zhì)的三維天然結(jié)構(gòu)決定它的生物學(xué)機制，而反過來，蛋白質(zhì)氨基酸單體的一維鏈又對它的天然結(jié)構(gòu)進(jìn)行編碼。蛋白質(zhì)的三維結(jié)構(gòu)在藥物設(shè)計、蛋白質(zhì)工程和生物技術(shù)中具有決定性的重要，因此，蛋白質(zhì)結(jié)構(gòu)預(yù)測是一個重要的研究問題。

蛋白質(zhì)結(jié)構(gòu)實驗測定方法包括X射線晶體學(xué)、核磁共振光譜、和電子顯微鏡等，這些方法被廣泛用于蛋白質(zhì)結(jié)構(gòu)測定。X射線晶體學(xué)被認(rèn)為是這些方法中相對可行且準(zhǔn)確的測定方法之一。然而，X射線晶體學(xué)需要進(jìn)行一個復(fù)雜的結(jié)晶過程，而對于一些不易結(jié)晶的蛋白(如膜蛋白)，此方法無法用于結(jié)構(gòu)測定。此外，這些實驗測定方法極其耗時，代價昂貴，而且容易發(fā)生錯誤。

Anfinsen熱力學(xué)假說表明：蛋白質(zhì)的空間結(jié)構(gòu)由氨基酸序列唯一確定；蛋白質(zhì)的空間結(jié)構(gòu)是穩(wěn)定的；蛋白質(zhì)的天然構(gòu)象處于自由能最低點。根據(jù)Anfinsen原則，以計算機為工具，運用適當(dāng)?shù)乃惴ǎ瑥陌被嵝蛄谐霭l(fā)直接預(yù)測蛋白質(zhì)的三維結(jié)構(gòu)，成為當(dāng)前生物信息學(xué)中一種主要的研究課題。在上世紀(jì)文獻(xiàn)中，通常將預(yù)測方法劃分為以下三類：針對高相似序列的同源建模方法；針對較低相似性序列的折疊識別方法；以及不依賴模板的從頭預(yù)測方法。從頭預(yù)測方法直接基于Anfinsen假說建立蛋白質(zhì)物理或知識能量模型，然后設(shè)計適當(dāng)優(yōu)化算法求解最小能量構(gòu)象。一方面，從生物學(xué)意義上來講，有助于揭示蛋白質(zhì)折疊機理，進(jìn)而能夠最終闡明生物學(xué)中心法則中的第二遺傳密碼理論部分；另一方面，從現(xiàn)實意義來講，該方法具有普遍性，對于序列相似度<20％或寡肽(<10個殘基的小蛋白)來說，從頭預(yù)測方法是唯一的選擇[10]。

進(jìn)化類算法是研究蛋白質(zhì)分子構(gòu)象優(yōu)化的重要方法，主要包括遺傳算法、差分進(jìn)化算法。這些算法以結(jié)構(gòu)簡單，易于實現(xiàn)，收斂速度快，以及魯棒性強等優(yōu)點被用于從頭預(yù)測方法中的全局最小能量構(gòu)象搜索。然后隨著蛋白質(zhì)規(guī)模的增大，現(xiàn)有方法在穩(wěn)定性、高效性、廣普性和易用性等方面還遠(yuǎn)不能滿足實際求解需求。例如，由于能量模型曲面的復(fù)雜性，算法容易早熟收斂，而無法得到全局最低能量構(gòu)象，從而影響預(yù)測精度。而且傳統(tǒng)的進(jìn)化類算法中沒有適當(dāng)應(yīng)用片段組裝技術(shù)，導(dǎo)致其搜索空間極其龐大，計算代價較高。

因此，現(xiàn)有的構(gòu)象空間優(yōu)化方法在預(yù)測精度和計算代價方面存在著缺陷，需要改進(jìn)。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有的蛋白質(zhì)結(jié)構(gòu)預(yù)測方法在預(yù)測精度和計算代價方面的不足，本發(fā)明提出一種預(yù)測精度高、計算代價低的基于群體抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法，所述方法包括以下步驟：

1)選取蛋白質(zhì)力場模型，即能量函數(shù)E(X)；

2)給定輸入序列信息；

3)初始化：種群規(guī)模NP，交叉概率CR，階段控制參數(shù)μ，支撐面斜率控制因子M；根據(jù)輸入序列產(chǎn)生初始構(gòu)象種群其中，N表示維數(shù)，表示第i個構(gòu)象Cⁱ的第N維坐標(biāo)，并初始化迭代次數(shù)G＝0；

4)隨機生成正整數(shù)rand1,rand2,rand3∈{1,2,3,......NP}，且rand1≠rand2≠rand3≠i；再生成4個隨機整數(shù)randrange1,randrange2,randrange3,randrange4；其中randrange1≠randrange2，randrange3≠randrange4∈{1,2,…,L},L為序列長度；令a＝min(randrange1,randrange2)，b＝max(randrange1,randrange2)，k∈[a,b]；令c＝min(randrange3,randrange4)，d＝max(randrange3,randrange4)，p∈[c,d]；其中min表示取兩個數(shù)的最小值，max表示取兩個數(shù)的最大值；

5)如果G＝0，對于當(dāng)前種群中的每個構(gòu)象個體Cⁱ，i∈{1,2,3,…,NP}，令C_target＝Cⁱ，C_target表示目標(biāo)構(gòu)象個體，執(zhí)行如下操作生成測試構(gòu)象個體C_trial：

5.1)用C_rand2上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_rand1的相同位置所對應(yīng)的二面角；再使用C_rand3上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_rand1上相同位置所對應(yīng)的二面角，然后將所得C_rand1進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

5.2)生成隨機數(shù)rand4，rand5，其中rand4∈(0,1)，rand5∈(1,L)，若rand4≤CR，則利用目標(biāo)構(gòu)象C_target中的rand5片段替換變異構(gòu)象C_mutant中的rand5片段，從而生成測試構(gòu)象C_trial；若rand4＞CR，則C_trial直接等于變異構(gòu)象C_mutant；

6)如果G>0，則執(zhí)行如下階段性操作：

6.1)計算第G-1次迭代中生成的每個測試構(gòu)象個體的能量下界估計值：

6.1.1)計算當(dāng)前種群中每個構(gòu)象個體到測試構(gòu)象個體之間的距離其中表示第i個構(gòu)象Cⁱ的第j維坐標(biāo)，表示測試構(gòu)象C_trial的第j維坐標(biāo)，dⁱ表示第i個構(gòu)象Cⁱ到測試構(gòu)象的距離；

6.1.2)根據(jù)距離對所有構(gòu)象進(jìn)行升序排列，選取前兩個構(gòu)象個體并記為并計算其下界估計支撐面：

其中，為所選構(gòu)象的能量函數(shù)值，為所選構(gòu)象個體的第j為坐標(biāo)，為輔助變量，M為支撐面斜率控制因子；

6.1.3)計算測試構(gòu)象C_trial的能量下界估計值其中max表示求最大值，min表示求最小值，為測試構(gòu)象向量的第j維元素，為支撐向量l^k的第j維元素；

6.2)計算所有測試構(gòu)象的平均估計誤差其中表示第i個測試構(gòu)象的能量下界估計值，表示第i個測試構(gòu)象的實際能量函數(shù)值，如果G＝0，則最大平均估計誤差為UE_max；

6.3)對平均估計誤差UE進(jìn)行歸一化處理，UE的歸一化值為其中UE_min＝0為最小平均估計誤差；

6.4)根據(jù)歸一化平均估計誤差值判斷算法所處的階段，并采樣不同的策略生成變異構(gòu)象C_mutant：

6.4.1)如果則用C_rand1上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象C_mutant，其中μ為階段控制參數(shù)；

6.4.2)如果則根據(jù)如下操作生成變異構(gòu)象C_mutant：

a)根據(jù)能量函數(shù)值對當(dāng)前種群中的構(gòu)象個體進(jìn)行降序排列，選取前NP/5個構(gòu)象并計算所選構(gòu)象的質(zhì)心構(gòu)象C_centroid＝(x_centroid,1,x_centroid,2,…,x_centroid,N)，其中，構(gòu)象C_centroid的第j維元素表示第m個選取構(gòu)象的第N維坐標(biāo)，為構(gòu)象的實際能量函數(shù)值；

b)從當(dāng)前種群中隨機選取兩個不同的構(gòu)象C_rand1和C_rand2，其中rand1≠rand2∈[1,NP]，提取構(gòu)象C_rand1位置a到位置b的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid的相同位置所對應(yīng)的二面角，同時使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid相同位置所對應(yīng)的二面角，然后將所得C_centroid進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.3)如果找出當(dāng)前種群中能量最低的構(gòu)象C_best，用C_best上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand1上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.4)根據(jù)步驟5.2)生成測試構(gòu)象個體C_trial；

7)分別計算目標(biāo)構(gòu)象和測試構(gòu)象的能量函數(shù)值f(C_target)和f(C_trial)，如果f(C_trial)＜f(C_target)，則測試構(gòu)象個體替換目標(biāo)構(gòu)象個體；

8)判斷是否滿足終止條件，若滿足則輸出結(jié)果并退出，否則返回步驟4)。

進(jìn)一步，所述步驟8)中，對種群中的每個構(gòu)象個體都執(zhí)行完步驟4)—8)以后，迭代次數(shù)G＝G+1，終止條件為迭代次數(shù)G達(dá)到預(yù)設(shè)最大迭代次數(shù)G_max。

本發(fā)明的技術(shù)構(gòu)思為：首先，計算當(dāng)前種群中各構(gòu)象個體到新構(gòu)象的距離，并根據(jù)距離進(jìn)行升序排列；然后，對新構(gòu)象個體的鄰近構(gòu)象個體抽象凸下界估計支撐面，以獲取新構(gòu)象個體的能量下界估計值；其次，計算所有新構(gòu)象個體的能量下界估計值與實際能量值之間的平均估計誤差，并根據(jù)平均估計誤差的變化將整個算法分為多個優(yōu)化階段；最后，根據(jù)上一次迭代中的平均估計誤差判斷當(dāng)前迭代所處的階段，并對各階段設(shè)計不同的策略生成新構(gòu)象個體。

本發(fā)明的有益效果表現(xiàn)在：一方面，根據(jù)平均估計誤差的變化判斷算法所處的階段，從而設(shè)計不同的策略生成新構(gòu)象個體，不僅可以加快算法的收斂速度，而且可以提高預(yù)測精度；另一方面，在各階段的策略中選用不同個體的信息進(jìn)行片段組裝，縮小了搜索空間，從而降低了計算代價。

附圖說明

圖1是基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法的基本流程圖。

圖2是基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法對蛋白質(zhì)1ENH進(jìn)行結(jié)構(gòu)預(yù)測時的構(gòu)象更新示意圖。

圖3是基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法對蛋白質(zhì)1ENH進(jìn)行結(jié)構(gòu)預(yù)測時得到的構(gòu)象分布圖。

圖4是基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法對蛋白質(zhì)1ENH進(jìn)行結(jié)構(gòu)預(yù)測得到的三維結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

參照圖1～圖4，一種基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法，包括以下步驟：

1)選取蛋白質(zhì)力場模型，即能量函數(shù)E(X)；

2)給定輸入序列信息；

3)初始化：種群規(guī)模NP，交叉概率CR，階段控制參數(shù)μ，支撐面斜率控制因子M；根據(jù)輸入序列產(chǎn)生初始構(gòu)象種群其中，N表示維數(shù)，表示第i個構(gòu)象Cⁱ的第N維坐標(biāo)，并初始化迭代次數(shù)G＝0；

4)隨機生成正整數(shù)rand1,rand2,rand3∈{1,2,3,......NP}，且rand1≠rand2≠rand3≠i；再生成4個隨機整數(shù)randrange1,randrange2,randrange3,randrange4；其中randrange1≠randrange2，randrange3≠randrange4∈{1,2,…,L},L為序列長度；令a＝min(randrange1,randrange2)，b＝max(randrange1,randrange2)，k∈[a,b]；令c＝min(randrange3,randrange4)，d＝max(randrange3,randrange4)，p∈[c,d]；其中min表示取兩個數(shù)的最小值，max表示取兩個數(shù)的最大值；

5)如果G＝0，對于當(dāng)前種群中的每個構(gòu)象個體Cⁱ，i∈{1,2,3,…,NP}，令C_target＝Cⁱ，C_target表示目標(biāo)構(gòu)象個體，執(zhí)行如下操作生成測試構(gòu)象個體C_trial：

5.1)用C_rand2上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_rand1的相同位置所對應(yīng)的二面角；再使用C_rand3上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_rand1上相同位置所對應(yīng)的二面角，然后將所得C_rand1進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

5.2)生成隨機數(shù)rand4，rand5，其中rand4∈(0,1)，rand5∈(1,L)，若rand4≤CR，則利用目標(biāo)構(gòu)象C_target中的rand5片段替換變異構(gòu)象C_mutant中的rand5片段，從而生成測試構(gòu)象C_trial；若rand4＞CR，則C_trial直接等于變異構(gòu)象C_mutant；

6)如果G>0，則執(zhí)行如下階段性操作：

6.1)計算第G-1次迭代中生成的每個測試構(gòu)象個體的能量下界估計值：

6.1.1)計算當(dāng)前種群中每個構(gòu)象個體到測試構(gòu)象個體之間的距離其中表示第i個構(gòu)象Cⁱ的第j維坐標(biāo)，表示測試構(gòu)象C_trial的第j維坐標(biāo)，dⁱ表示第i個構(gòu)象Cⁱ到測試構(gòu)象的距離；

6.1.2)根據(jù)距離對所有構(gòu)象進(jìn)行升序排列，選取前兩個構(gòu)象個體并記為并計算其下界估計支撐面：

其中，為所選構(gòu)象的能量函數(shù)值，為所選構(gòu)象個體的第j為坐標(biāo)，為輔助變量，M為支撐面斜率控制因子；

6.1.3)計算測試構(gòu)象C_trial的能量下界估計值其中max表示求最大值，min表示求最小值，為測試構(gòu)象向量的第j維元素，為支撐向量l^k的第j維元素；

6.2)計算所有測試構(gòu)象的平均估計誤差其中表示第i個測試構(gòu)象的能量下界估計值，表示第i個測試構(gòu)象的實際能量函數(shù)值，如果G＝0，則最大平均估計誤差為UE_max；

6.3)對平均估計誤差UE進(jìn)行歸一化處理，UE的歸一化值為其中UE_min＝0為最小平均估計誤差；

6.4)根據(jù)歸一化平均估計誤差值判斷算法所處的階段，并采樣不同的策略生成變異構(gòu)象C_mutant：

6.4.1)如果則用C_rand1上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象C_mutant，其中μ為階段控制參數(shù)；

6.4.2)如果則根據(jù)如下操作生成變異構(gòu)象C_mutant：

a)根據(jù)能量函數(shù)值對當(dāng)前種群中的構(gòu)象個體進(jìn)行降序排列，選取前NP/5個構(gòu)象并計算所選構(gòu)象的質(zhì)心構(gòu)象C_centroid＝(x_centroid,1,x_centroid,2,…,x_centroid,N)，其中，構(gòu)象C_centroid的第j維元素表示第m個選取構(gòu)象的第N維坐標(biāo)，為構(gòu)象的實際能量函數(shù)值；

b)從當(dāng)前種群中隨機選取兩個不同的構(gòu)象C_rand1和C_rand2，其中rand1≠rand2∈[1,NP]，提取構(gòu)象C_rand1位置a到位置b的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid的相同位置所對應(yīng)的二面角，同時使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid相同位置所對應(yīng)的二面角，然后將所得C_centroid進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.3)如果找出當(dāng)前種群中能量最低的構(gòu)象C_best，用C_best上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand1上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.4)根據(jù)步驟5.2)生成測試構(gòu)象個體C_trial；

7)分別計算目標(biāo)構(gòu)象和測試構(gòu)象的能量函數(shù)值f(C_target)和f(C_trial)，如果f(C_trial)＜f(C_target)，則測試構(gòu)象個體替換目標(biāo)構(gòu)象個體；

8)判斷是否滿足終止條件，若滿足則輸出結(jié)果并退出，否則返回步驟4)。

進(jìn)一步，所述步驟8)中，對種群中的每一個個體都執(zhí)行完步驟4)—8)以后，迭代次數(shù)G＝G+1，終止條件為迭代次數(shù)G達(dá)到預(yù)設(shè)最大迭代次數(shù)G_max。

本實施例序列長度為54的α折疊蛋白質(zhì)1ENH為實施例，一種基于抽象凸估計的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測方法，其中包含以下步驟：

1)選取蛋白質(zhì)力場模型Rosetta Score3，即Rosetta Score3能量函數(shù)E(X)；

2)給定1ENH蛋白質(zhì)的序列信息；

3)初始化：種群規(guī)模NP＝50，交叉概率CR＝0.5，階段控制參數(shù)μ＝0.85，支撐面斜率控制因子M＝1000，最大迭代次數(shù)G_max＝10000；根據(jù)輸入序列產(chǎn)生初始構(gòu)象種群其中，N表示維數(shù)，表示第i個構(gòu)象Cⁱ的第N維坐標(biāo)，并初始化迭代次數(shù)G＝0；

4)隨機生成正整數(shù)rand1,rand2,rand3∈{1,2,3,......NP}，且rand1≠rand2≠rand3≠i；再生成4個隨機整數(shù)randrange1,randrange2,randrange3,randrange4；其中randrange1≠randrange2，randrange3≠randrange4∈{1,2,…,L},L為序列長度；令a＝min(randrange1,randrange2)，b＝max(randrange1,randrange2)，k∈[a,b]；令c＝min(randrange3,randrange4)，d＝max(randrange3,randrange4)，p∈[c,d]；其中min表示取兩個數(shù)的最小值，max表示取兩個數(shù)的最大值；

5)如果G＝0，對于當(dāng)前種群中的每個構(gòu)象個體Cⁱ，i∈{1,2,3,…,NP}，令C_target＝Cⁱ，C_target表示目標(biāo)構(gòu)象個體，執(zhí)行如下操作生成測試構(gòu)象個體C_trial：

5.1)用C_rand2上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_rand1的相同位置所對應(yīng)的二面角；再使用C_rand3上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_rand1上相同位置所對應(yīng)的二面角，然后將所得C_rand1進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

5.2)生成隨機數(shù)rand4，rand5，其中rand4∈(0,1)，rand5∈(1,L)，若rand4≤CR，則利用目標(biāo)構(gòu)象C_target中的rand5片段替換變異構(gòu)象C_mutant中的rand5片段，從而生成測試構(gòu)象C_trial；若rand4＞CR，則C_trial直接等于變異構(gòu)象C_mutant；

6)如果G>0，則執(zhí)行如下階段性操作：

6.1)計算第G-1次迭代中生成的每個測試構(gòu)象個體的能量下界估計值：

6.1.1)計算當(dāng)前種群中每個構(gòu)象個體到測試構(gòu)象個體之間的距離其中表示第i個構(gòu)象Cⁱ的第j維坐標(biāo)，表示測試構(gòu)象C_trial的第j維坐標(biāo)，dⁱ表示第i個構(gòu)象Cⁱ到測試構(gòu)象的距離；

6.1.2)根據(jù)距離對所有構(gòu)象進(jìn)行升序排列，選取前兩個構(gòu)象個體并記為并計算其下界估計支撐面：

其中，為所選構(gòu)象的能量函數(shù)值，為所選構(gòu)象個體的第j為坐標(biāo)，為輔助變量，M為支撐面斜率控制因子；

6.1.3)計算測試構(gòu)象C_trial的能量下界估計值其中max表示求最大值，min表示求最小值，為測試構(gòu)象向量的第j維元素，為支撐向量l^k的第j維元素；

6.2)計算所有測試構(gòu)象的平均估計誤差其中表示第i個測試構(gòu)象的能量下界估計值，表示第i個測試構(gòu)象的實際能量函數(shù)值，如果G＝0，則最大平均估計誤差為UE_max；

6.3)對平均估計誤差UE進(jìn)行歸一化處理，UE的歸一化值為其中UE_min＝0為最小平均估計誤差；

6.4)根據(jù)歸一化平均估計誤差值判斷算法所處的階段，并采樣不同的策略生成變異構(gòu)象C_mutant：

6.4.1)如果則用C_rand1上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象C_mutant，其中μ為階段控制參數(shù)；

6.4.2)如果則根據(jù)如下操作生成變異構(gòu)象C_mutant：

a)根據(jù)能量函數(shù)值對當(dāng)前種群中的構(gòu)象個體進(jìn)行降序排列，選取前NP/5個構(gòu)象并計算所選構(gòu)象的質(zhì)心構(gòu)象C_centroid＝(x_centroid,1,x_centroid,2,…,x_centroid,N)，其中，構(gòu)象C_centroid的第j維元素表示第m個選取構(gòu)象的第N維坐標(biāo)，為構(gòu)象的實際能量函數(shù)值；

b)從當(dāng)前種群中隨機選取兩個不同的構(gòu)象C_rand1和C_rand2，其中rand1≠rand2∈[1,NP]，提取構(gòu)象C_rand1位置a到位置b的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid的相同位置所對應(yīng)的二面角，同時使用C_rand2上位置c到位置d的片段的氨基酸所對應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid相同位置所對應(yīng)的二面角，然后將所得C_centroid進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.3)如果找出當(dāng)前種群中能量最低的構(gòu)象C_best，用C_best上位置a到位置b的片段的氨基酸k所對應(yīng)的二面角替換C_target的相同位置所對應(yīng)的二面角；再使用C_rand1上位置c到位置d的片段的氨基酸p所對應(yīng)的二面角替換C_target上相同位置所對應(yīng)的二面角，然后將所得C_target進(jìn)行片段組裝得到變異構(gòu)象個體C_mutant；

6.4.4)根據(jù)步驟5.2)生成測試構(gòu)象個體C_trial；

7)分別計算目標(biāo)構(gòu)象和測試構(gòu)象的能量函數(shù)值f(C_target)和f(C_trial)，如果f(C_trial)＜f(C_target)，則測試構(gòu)象個體替換目標(biāo)構(gòu)象個體；

8)對種群中的每一個個體都執(zhí)行完步驟4)—8)以后，迭代次數(shù)G＝G+1，判斷G是否大于G_max，若G大于G_max，則輸出結(jié)果并退出，否則返回步驟4)。

以序列長度為54的α折疊蛋白質(zhì)1ENH為實施例，運用以上方法得到了該蛋白質(zhì)的近天然態(tài)構(gòu)象，最小均方根偏差為平均均方根偏差為預(yù)測結(jié)構(gòu)如圖4所示。

以上說明是本發(fā)明以1ENH蛋白質(zhì)為實例所得出的優(yōu)化效果，并非限定本發(fā)明的實施范圍，在不偏離本發(fā)明基本內(nèi)容所涉及范圍的的前提下對其做各種變形和改進(jìn)，不應(yīng)排除在本發(fā)明的保護(hù)范圍之外。