[发明专利]一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法

摘要

一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法，包括以下步骤：在差分进化算法框架下，采用Rosetta Score3粗粒度知识能量模型来降低构象空间维数；将进化种群依相似度划分为多个子种群，子种群之间协同进化，可以提高种群个体多样性；进化过程被划分为三个阶段，在不同的阶段采用不同的变异交叉策略，可以避免早熟收敛问题；结合差分进化算法较强的全局搜索能力，可以对构象空间进行有效的采样，搜索得到较高精度的近天然态构象。本发明基于差分进化算法，提出一种构象空间搜索维数较低、收敛速度较快、预测精度较高的基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法。

主权项

1.一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法，其特征在于：所述预测方法包括以下步骤：1)给定输入序列信息；2)设置系统参数：种群大小popSize，算法的迭代次数T，第一阶段迭代次数T₁，第二阶段迭代次数T₂，第三阶段迭代次数T₃，变异因子MU，交叉因子CR，子种群个数N_Sub，片段的长度L，其中T₁+T₂+T₃＝T；3)种群初始化：由输入序列产生popSize个种群个体P_init；4)子种群划分：将种群平均划分为N_Sub个子种群；5)开始迭代，执行种群进化过程：5.1)第一阶段：迭代次数为T₁，对初始种群中的每个个体做如下操作：5.1.1)令P_target＝P_ij，其中i,j为序号，i∈{1,2,3,…,N_sub},j∈{1,2,3,…,N_subpopSize}；N_subpopSize表示子种群中个体的数目，P_target表示目标个体，P_ij表示第i个子群中的第j个个体；5.1.2)针对个体P_target做变异操作：从L＝9的片段库中随机选择片段进行片段组装，得到中间个体P_trial′；5.1.3)随机生成正整数rand1，rand2，rand3，其中rand1∈{1,2,3,...,N_subpopSize}，rand1≠j，rand2≠rand3，rand2和rand3∈{1,2,…,Length}，生成随机数rand4∈(0,1)，其中Length为序列长度；5.1.4)若随机数rand4<＝CR，针对P_trial′做交叉操作：令l＝rand1；令a＝min(rand2,rand3),b＝max(rand2,rand3)，k∈[a,b]；5.1.4.1：令P_trial′.phi(k)＝P_l.phi(k)；5.1.4.2：令P_trial′.psi(k)＝P_l.psi(k)；5.1.4.3：令P_trial′.omega(k)＝P_l.omega(k)；步骤5.1.4.1，5.1.4.2，5.1.4.2分别为：将P_trial′的氨基酸k所对应的二面角phi、psi、omega替换为P_l的相同位置所对应的二面角phi、psi、omega；令P_trial＝P_trial′；5.1.5)通过交叉操作得到测试个体P_trial；5.1.6)执行更新操作：根据Rosetta Score3能量函数计算P_target和P_trial的能量：E(P_target)和E(P_trial)；若E(P_target)>E(P_trial)则用P_trial替换P_target，否则保持种群不变；5.1.7)得到更新后的种群P_update；5.1.8)迭代运行步骤5.1.1)～5.1.7)至第一阶段结束；5.2)第二阶段：迭代次数为T₂，对步骤5.1)得到的种群中的每个个体做如下操作：5.2.1)令P²_target＝P²_ij，其中i,j为序号，i∈{1,2,3,…,N_sub},j∈{1,2,3,…,N_subpopSize}；N_subpopSize表示子种群中个体的数目，P²_target表示目标个体，P²_ij表示第i个子群中的第j个个体；5.2.2)针对个体P²_target做变异操作：从L＝3的片段库中随机选择片段进行片段组装，得到中间个体P²_trial′；5.2.3)随机生成正整数rand²2，rand²3，其中，rand²2≠rand²3，rand²2和rand²3∈{1,2,…,Length}，生成随机数rand²4∈(0,1)，其中Length为序列长度；5.2.4)找到当前子种群中能量最低的个体P_local；5.2.5)若随机数rand²4<＝CR，针对P²_trial′做交叉操作：令a²＝min(rand²2,rand²3),b²＝max(rand²2,rand²3)，k²∈[a²,b²]；5.2.5.1：令P²_trial′.phi(k²)＝P_local.phi(k²)；5.2.5.2：令P²_trial′.psi(k²)＝P_local.psi(k²)；5.2.5.2：令P²_trial′.omega(k²)＝P_local.omega(k²)；步骤5.2.5.1，5.2.5.2，5.2.5.2分别为：将P²_trial′的氨基酸k²所对应的二面角phi、psi、omega替换为P_local中相同位置所对应的二面角phi、psi、omega；令P²_trial＝P²_trial′；5.2.6)通过交叉操作得到测试个体P²_trial；5.2.7)执行更新操作：根据Rosetta Score3能量函数计算P²_target和P²_trial的能量：E(P²_target)和E(P²_trial)；若E(P²_target)>E(P²_trial)则用P²_trial替换P²_target，否则保持种群不变；5.2.8)得到更新后的种群P²_update；5.2.9)迭代运行步骤5.2.1)～5.2.7)至第二阶段结束；5.3)第三阶段：迭代次数为T₃，对步骤5.2)得到的种群中的每个个体做如下操作：5.3.1)令P³_target＝P³_ij，其中i,j为序号，其中i∈{1,2,3,…,N_sub},j∈{1,2,3,…,N_subpopSize}；N_subpopSize表示子种群中个体的数目，P³_target表示目标个体，P³_ij表示第i个子群中的第j个个体；5.3.2)针对个体P³_target做变异操作：从L＝3的片段库中随机选择片段进行片段组装，得到中间个体P³_trial′；5.3.3)随机生成正整数rand³2，rand³3，其中，rand³2≠rand³3，rand³2和rand³3∈{1,2,…,Length}，生成随机数rand³4∈(0,1)，其中Length为序列长度；5.3.4)找到种群中能量最低的个体P_global；5.3.5)若随机数rand³4<＝CR，针对P³_trial′做交叉操作：令a³＝min(rand³2,rand³3),b³＝max(rand³2,rand³3)，k³∈[a³,b³]；5.3.5.1：令P³_trial′.phi(k³)＝P_global.phi(k³)；5.3.5.2：令P³_trial′.psi(k³)＝P_global.psi(k³)；5.3.5.3：令P³_trial′.omega(k³)＝P_global.omega(k³)；步骤5.3.5.1，5.3.5.2，5.3.5.3分别为：将P³_trial′的氨基酸k³所对应的二面角phi、psi、omega替换为P_global中相同位置所对应的二面角phi、psi、omega；令P³_trial＝P³_trial′；5.3.6)通过交叉操作得到测试个体P³_trial；5.3.7)执行更新操作：根据Rosetta Score3能量函数计算P³_target和P³_trial的能量：E(P³_target)和E(P³_trial)；若E(P³_target)>E(P³_trial)则用P³_trial替换P³_target，否则保持种群不变；5.3.8)得到更新后的种群P³_update；5.3.9)迭代运行步骤5.3.1)～5.3.7)至第三阶段结束。