技術(shù)特征：

1.一種基于抽象凸估計(jì)的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，其特征在于：所述蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法包括以下步驟：

1)選取蛋白質(zhì)力場(chǎng)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(gè)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(jī)生成正整數(shù)rand1,rand2,rand3∈{1,2,3,......NP}，且rand1≠rand2≠rand3≠i；再生成4個(gè)隨機(jī)整數(shù)randrange1,randrange2,randrange3,randrange4；其中randrange1≠randrange2，randrange3≠randrange4∈{1,2,…,L},L為序列長(zhǎng)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(gè)數(shù)的最小值，max表示取兩個(gè)數(shù)的最大值；

5)如果G＝0，對(duì)于當(dāng)前種群中的每個(gè)構(gòu)象個(gè)體Cⁱ，i∈{1,2,3,…,NP}，令C_target＝Cⁱ，C_target表示目標(biāo)構(gòu)象個(gè)體，執(zhí)行如下操作生成測(cè)試構(gòu)象個(gè)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(duì)應(yīng)的二面角替換C_rand1的相同位置所對(duì)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(duì)應(yīng)的二面角替換C_rand1上相同位置所對(duì)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(gè)體C_mutant；

5.2)生成隨機(jī)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(cè)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(jì)算第G-1次迭代中生成的每個(gè)測(cè)試構(gòu)象個(gè)體的能量下界估計(jì)值：

6.1.1)計(jì)算當(dāng)前種群中每個(gè)構(gòu)象個(gè)體到測(cè)試構(gòu)象個(gè)體之間的距離其中表示第i個(gè)構(gòu)象Cⁱ的第j維坐標(biāo)，表示測(cè)試構(gòu)象C_trial的第j維坐標(biāo)，dⁱ表示第i個(gè)構(gòu)象Cⁱ到測(cè)試構(gòu)象的距離；

6.1.2)根據(jù)距離對(duì)所有構(gòu)象進(jìn)行升序排列，選取前兩個(gè)構(gòu)象個(gè)體并記為并計(jì)算其下界估計(jì)支撐面：

$l^t=\left(\frac{f\left(C_{select}^t\right)}{M}-x_{select,1}^t,\frac{f\left(C_{select}^t\right)}{M}-x_{select,2}^t,\mathrm{...},\frac{f\left(C_{select}^t\right)}{M}-x_{select,N+1}^t\right)$

其中，為所選構(gòu)象的能量函數(shù)值，N+1為所選構(gòu)象個(gè)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(jì)算測(cè)試構(gòu)象C_trial的能量下界估計(jì)值其中max表示求最大值，min表示求最小值，為測(cè)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(jì)算所有測(cè)試構(gòu)象的平均估計(jì)誤差其中表示第i個(gè)測(cè)試構(gòu)象的能量下界估計(jì)值，表示第i個(gè)測(cè)試構(gòu)象的實(shí)際能量函數(shù)值，如果G＝0，則最大平均估計(jì)誤差為UE_max；

6.3)對(duì)平均估計(jì)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(jì)誤差；

6.4)根據(jù)歸一化平均估計(jì)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(duì)應(yīng)的二面角替換C_target的相同位置所對(duì)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(duì)應(yīng)的二面角替換C_target上相同位置所對(duì)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(duì)當(dāng)前種群中的構(gòu)象個(gè)體進(jìn)行降序排列，選取前NP/5個(gè)構(gòu)象并計(jì)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j＝1,2,…,N，表示第m個(gè)選取構(gòu)象的第N維坐標(biāo)，為構(gòu)象的實(shí)際能量函數(shù)值；

b)從當(dāng)前種群中隨機(jī)選取兩個(gè)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(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid的相同位置所對(duì)應(yīng)的二面角，同時(shí)使用C_rand2上位置c到位置d的片段的氨基酸所對(duì)應(yīng)的二面角替換質(zhì)心構(gòu)象C_centroid相同位置所對(duì)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(gè)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(duì)應(yīng)的二面角替換C_target的相同位置所對(duì)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(duì)應(yīng)的二面角替換C_target上相同位置所對(duì)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(gè)體C_mutant；

6.4.4)根據(jù)步驟5.2)生成測(cè)試構(gòu)象個(gè)體C_trial；

7)分別計(jì)算目標(biāo)構(gòu)象和測(cè)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(cè)試構(gòu)象個(gè)體替換目標(biāo)構(gòu)象個(gè)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)。

2.如權(quán)利要求1所述的一種基于抽象凸估計(jì)的多階段差分進(jìn)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法，其特征在于：所述步驟8)中，對(duì)種群中的每一個(gè)個(gè)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)到最大迭代次數(shù)G_max。