CN104951670B - 一种基于距离谱的群体构象空间优化方法 - Google Patents
一种基于距离谱的群体构象空间优化方法 Download PDFInfo
- Publication number
- CN104951670B CN104951670B CN201510308750.XA CN201510308750A CN104951670B CN 104951670 B CN104951670 B CN 104951670B CN 201510308750 A CN201510308750 A CN 201510308750A CN 104951670 B CN104951670 B CN 104951670B
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- individuals
- popsize
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种基于距离谱的群体构象空间优化方法，首先初始化构象，在每个温度层对查询序列进行随机的折叠和变换生成一个初始化种群；在每个温度层中依次将种群中每个个体作为目标个体，随机选取和目标个体不一样的两个个体进行变异，根据距离谱来判断是否接受变异个体，然后再将另一个个体与变异个体产生测试个体，根据能量判断是否接受构象。在更新完种群后，将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性，通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明预测精度较高、复杂度较低。
Description
技术领域
本发明涉及生物信息学、计算机应用领域，尤其涉及的是一种基于距离谱的群体构象空间优化方法。
背景技术
生物信息学是生命科学和计算机科学交叉领域的一个研究热点。生物信息学研究成果目前已经被广泛应用于基因发现和预测、基因数据的存储管理、数据检索与挖掘、基因表达数据分析、蛋白质结构预测、基因和蛋白质同源关系预测、序列分析与比对等。目前，根据Anfinsen假设，直接从氨基酸序列出发，基于势能模型，采用全局优化方法，搜索分子系统的最小能量状态，从而高通量、廉价地预测肽链的天然构象，已经成为生物信息学最重要的研究课题之一。对于序列相似度低或多肽(<10个残基的小蛋白)来说，从头预测方法是唯一的选择。从头预测方法必须考虑以下两个因素：(1)蛋白质结构能量函数；(2)构象空间搜索方法。第一个因素本质上属于分子力学问题，主要是为了能够计算得到每个蛋白质结构对应的能量值。目前已经存在一些有效的结构能量函数，如简单网格模型HP及更实际的经验力场模型MM3，AMBER，CHARMM，GROMOS，DISCOVER，ECEPP/3等；第二个因素本质上属于全局优化问题，通过选择一种合适的优化方法，对构象空间进行快速搜索，得到与某一全局最小能量对应的构象。其中，蛋白质构象空间优化属于一类非常难解的NP-Hard问题。2005年，D.Baker在Science中指出，构象空间优化方法是制约蛋白质从头预测方法预测精度的一个瓶颈因素。
因此，现有的构象空间优化方法存在采样效率、复杂度及预测精度方面存在不足，需要改进。
发明内容
为了克服现有的构象空间优化方法存在采样效率较低、复杂度较高、预测精度较低的不足，本发明提出一种基于距离谱的群体构象空间优化方法，在基本差分进化算法框架下，引入表示空间中各个位置上残基的相互距离的距离谱来提高构象空间优化算法的有效性，距离谱根据查询序列中残基和模板中残基的序列谱、二级结构类型、溶剂可达性、中心原子二面角等构建得到。首先初始化构象，在每个温度层对查询序列进行随机的折叠和变换生成一个初始化种群；在每个温度层中依次将种群中每个个体作为目标个体，随机选取和目标个体不一样的两个个体进行变异，根据距离谱来判断是否接受变异个体，然后再将另一个个体与变异个体产生测试个体，根据能量判断是否接受构象。在更新完种群后，将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性，通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。
本发明解决其技术问题所采用的技术方案是：
一种基于距离谱的群体构象空间优化方法，所述优化方法包括以下步骤：
1)初始化：设置群体规模popSize，变异因子F，交叉概率CR，8个温度层T，迭代次数iteration，能量函数选用Rosetta Score3，首先在每个温度层通过对查询序列随机的折叠和变换，生成一个规模为popSize的初始种群，初始群体为PT＝{xi|i∈I}，计算目标函数值fT(xi),i∈I，并设其中i为种群个体编号，I为种群个体编号集合，I＝{1,2,...,popSize}，为对应温度层目标函数值中的最小值，T为温度层；
2)变异、交叉生成测试个体x′i：对每个目标个体xi∈I(i＝1,2,···,popSize)作如下处理：
2.1)令i＝1；
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i}；
2.3)根据公式(1)对{xa,xb,xc}执行变异操作及片段组装，生成变异个体
2.4)对变异个体进行片段组装生成组装个体根据距离谱对组装个体
进行判断，接受概率Accept_probability为：
残基i到残基j之间的距离为FA_ij，距离谱中i到j之间的距离Profile_ij，则在公式(2)中Deviation＝abs(FA_ij-Profile_ij)。随机产生一个0到1之间的随机数rand_Accept，若Accept_probability>rand_Accept，则用组装个体代替变异个体
2.5)根据公式(3)对目标个体xi和变异个体执行交叉操作，生成测试个体x′i，其中，randb(0,1)表示为产生0到1之间的随机小数，rnbr(k)表示随机产生1到N之间的整数；
其中k为索引编号；
2.6)i＝i+1；如果i<popSize转至2.2)；
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态，比较测试个体x′i和目标个体xi∈I(i＝1,2,···,popSize)的能量函数值，选择能量函数值较低的个体从而更新种群；
4)在每个温度层都进行变异、交叉和选择更新完种群后，将相邻的温度层的对应个体进行副本交换：
4.1)首先选择种群中第i个个体，i∈I(i＝1,2，…，popSize)；
4.2)选择两个相邻的温度层Tj和Tj+1，j＝1,2，…，7；
4.3)产生一个随机数rand1∈(0,1)，和判别数judge
其中为种群个体的能量值，Tj(j＝1,2,…,7)为第j个温度层的开尔文温度，j为索引编号；
4.4)若rand1＜judge，将相邻温度层中的和个体进行交换；
5)置
6)判断是否满足终止条件到达迭代次数iteration，如不满足则转至2)；
7)如满足终止条件，则输出结果。
本发明的有益效果为：距离谱是根据查询序列中残基和模板中残基的序列谱、二级结构类型、溶剂可达性、中心原子二面角等等构建出的空间中各个位置上残基的相互距离。蛋白质结构预测是基于差分进化算法(DE)的框架。首先初始化构象，在每个温度层对查询序列进行随机的折叠和变换生成一个初始化种群；在每个温度层中依次将种群中每个个体作为目标个体，随机选取和目标个体不一样的两个个体进行变异，根据距离谱来判断是否接受变异个体，然后再将另一个个体与变异个体产生测试个体，根据能量判断是否接受构象。在更新完种群后，将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性，通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。
附图说明
图1是测试序列在种群更新过程中RMSD和能量值的关系示意图。
具体实施方式：
下面结合附图对本发明作进一步描述。
参照图1，一种基于距离谱的群体构象空间优化方法，所述构象空间优化方法包括以下步骤：
1)初始化：设置群体规模popSize，变异因子F，交叉概率CR，8个温度层T，迭代次数iteration，能量函数选用Rosetta Score3，首先在每个温度层通过对查询序列随机的折叠和变换，生成一个规模为popSize的初始种群，初始群体为PT＝{xi|i∈I}，计算目标函数值fT(xi),i∈I，并设其中i为种群个体编号，I为种群个体编号集合，I＝{1,2,...,popSize}，为对应温度层目标函数值中的最小值，T为温度层；
2)变异、交叉生成测试个体x′i：对每个目标个体xi∈I(i＝1,2,···,popSize)作如下处理：
2.1)令i＝1；
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i}；
2.3)根据公式(1)对{xa,xb,xc}执行变异操作及片段组装，生成变异个体
2.4)对变异个体进行片段组装生成组装个体根据距离谱对组装个体进行判断，接受概率Accept_probability为：
残基i到残基j之间的距离为FA_ij，距离谱中i到j之间的距离Profile_ij，则在公式(2)中Deviation＝abs(FA_ij-Profile_ij)。随机产生一个0到1之间的随机数rand_Accept，若Accept_probability>rand_Accept，则用组装个体代替变异个体
2.5)根据公式(3)对目标个体xi和变异个体执行交叉操作，生成测试个体x′i，其中，randb(0,1)表示为产生0到1之间的随机小数，rnbr(k)表示随机产生1到N之间的整数；
其中k为索引编号；
2.6)i＝i+1；如果i<popSize转至2.2)；
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态，比较测试个体x′i和目标个体xi∈I(i＝1,2,···,popSize)的能量函数值，选择能量函数值较低的个体从而更新种群；
4)在每个温度层都进行变异、交叉和选择更新完种群后，将相邻的温度层的对应个体进行副本交换：
4.1)首先选择种群中第i个个体，i∈I(i＝1,2，…，popSize)；
4.2)选择两个相邻的温度层Tj和Tj+1，j＝1,2，…，7；
4.3)产生一个随机数rand1∈(0,1)，和判别数judge
其中为种群个体的能量值，Tj(j＝1,2,…,7)为第j个温度层的开尔文温度，j为索引编号；
4.4)若rand1＜judge，将相邻温度层中的和个体进行交换；
5)置
6)判断是否满足终止条件到达迭代次数iteration，如不满足则转至2)；
7)如满足终止条件，则输出结果。
本实施例以1VII为实施例，一种基于距离谱的群体构象空间优化方法，其中包含以下步骤：
1)初始化：设置群体规模popSize，变异因子F，交叉概率CR，8个温度层T，温度参数分别为200，239，286，342，409，489，585，700，迭代次数iteration，能量函数选用RosettaScore3，首先在每个温度层通过对查询序列随机的折叠和变换，生成一个规模为popSize的初始种群，初始群体为PT＝{xi|i∈I}，计算目标函数值fT(xi),i∈I，并设其中i为种群个体编号，I为种群个体编号集合，I＝{1,2,...,popSize}，为对应温度层目标函数值中的最小值，T为温度层；
2)变异、交叉生成测试个体x′i：对每个目标个体xi∈I(i＝1,2,···,popSize)作如下处理：
2.1)令i＝1；
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i}；
2.3)根据公式(1)对{xa,xb,xc}执行变异操作及片段组装，生成变异个体
2.4)对变异个体进行片段组装生成组装个体根据距离谱对组装个体
进行判断，接受概率Accept_probability为：
残基i到残基j之间的距离为FA_ij，距离谱中i到j之间的距离Profile_ij，则在公式(2)中Deviation＝abs(FA_ij-Profile_ij)。随机产生一个0到1之间的随机数rand_Accept，若Accept_probability>rand_Accept，则用组装个体代替变异个体
2.5)根据公式(3)对目标个体xi和变异个体执行交叉操作，生成测试个体x′i，其中，randb(0,1)表示为产生0到1之间的随机小数，rnbr(k)表示随机产生1到N之间的整数；
其中k为索引编号；
2.6)i＝i+1；如果i<popSize转至2.2)；
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态，比较测试个体x′i和目标个体xi∈I(i＝1,2,···,popSize)的能量函数值，选择能量函数值较低的个体从而更新种群；
4)在每个温度层都进行变异、交叉和选择更新完种群后，将相邻的温度层的对应个体进行副本交换：
4.1)首先选择种群中第i个个体，i∈I(i＝1,2，…，popSize)；
4.2)选择两个相邻的温度层Tj和Tj+1，j＝1,2，…，7；
4.3)产生一个随机数rand1∈(0,1)，和判别数judge
其中为种群个体的能量值，Tj(j＝1,2,…,7)为第j个温度层的开尔文温度，j为索引编号；
4.4)若rand1＜judge，将相邻温度层中的和个体进行交换；
5)置
6)判断是否满足终止条件到达迭代次数iteration，如不满足则转至2)；
7)如满足终止条件，则输出结果。
以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。
Claims (1)
1.一种基于距离谱的群体构象空间优化方法，其特征在于：所述优化方法包括以下步骤：
1)初始化：设置群体规模popSize，变异因子F，交叉概率CR，8个温度层T，迭代次数iteration，能量函数选用Rosetta Score3，首先在每个温度层通过对查询序列随机的折叠和变换，生成一个规模为popSize的初始种群，初始群体为PT＝{xi|i∈I}，计算目标函数值fT(xi),i∈I，并设其中i为种群个体编号，I为种群个体编号集合，I＝{1,2,...,popSize}，为对应温度层目标函数值中的最小值，T为温度层；
2)变异、交叉生成测试个体x′i：对每个目标个体xi∈I作如下处理，i＝1,2,…,popSize：
2.1)令i＝1；
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i}；
2.3)根据公式(1)对{xa,xb,xc}执行变异操作及片段组装，生成变异个体
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msup>
<mo>=</mo>
<msup>
<mi>x</mi>
<mi>a</mi>
</msup>
<mo>+</mo>
<mi>F</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>b</mi>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mi>c</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
2.4)对变异个体进行片段组装生成组装个体根据距离谱对组装个体进行判断，接受概率Accept_probability为：
<mrow>
<mi>A</mi>
<mi>c</mi>
<mi>c</mi>
<mi>e</mi>
<mi>p</mi>
<mi>t</mi>
<mo>_</mo>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>a</mi>
<mi>b</mi>
<mi>i</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0.8</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mi>i</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mi>i</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mo>=</mo>
<mo>></mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mi>i</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mo>)</mo>
<mo>*</mo>
<mn>0.2</mn>
<mo>+</mo>
<mn>0.8</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>v</mi>
<mi>i</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mo><</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
残基i到残基j之间的距离为FA_ij，距离谱中i到j之间的距离Profile_ij，则在公式(2)中Deviation＝abs(FA_ij-Profile_ij)，随机产生一个0到1之间的随机数rand_Accept，若Accept_probability>rand_Accept，则用组装个体代替变异个体
2.5)根据公式(3)对目标个体xi和变异个体执行交叉操作，生成测试个体x′i，其中，randb(0,1)表示为产生0到1之间的随机小数，rnbr(k)表示随机产生1到N之间的整数；
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mi>i</mi>
</mrow>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
<mi>i</mi>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>b</mi>
<mo>(</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>&le;</mo>
<mi>C</mi>
<mi>R</mi>
<mi> </mi>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<mi>k</mi>
<mo>=</mo>
<mi>r</mi>
<mi>n</mi>
<mi>b</mi>
<mi>r</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>b</mi>
<mo>(</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>></mo>
<mi>C</mi>
<mi>R</mi>
<mi> </mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>r</mi>
<mi>n</mi>
<mi>b</mi>
<mi>r</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中k为索引编号；
2.6)i＝i+1；如果i<popSize转至2.2)；
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态，比较测试个体x′i和目标个体xi∈I的能量函数值，i＝1,2,···,popSize，选择能量函数值较低的个体从而更新种群；
4)在每个温度层都进行变异、交叉和选择更新完种群后，将相邻的温度层的对应个体进行副本交换：
4.1)首先选择种群中第i个个体，i∈I，i＝1,2，…，popSize；
4.2)选择两个相邻的温度层Tj和Tj+1，j＝1,2，…，7；
4.3)产生一个随机数rand1∈(0,1)，和判别数judge
<mrow>
<mi>j</mi>
<mi>u</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>&times;</mo>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>K</mi>
<mo>&times;</mo>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>T</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为种群个体的能量值，i＝1,2,···,popSize，Tj为第j个温度层的开尔文温度，j为索引编号，j＝1,2,…,7；
4.4)若rand1＜judge，将相邻温度层中的和个体进行交换；
5)置
6)判断是否满足终止条件到达迭代次数iteration，如不满足则转至2)；
7)如满足终止条件，则输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510308750.XA CN104951670B (zh) | 2015-06-08 | 2015-06-08 | 一种基于距离谱的群体构象空间优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510308750.XA CN104951670B (zh) | 2015-06-08 | 2015-06-08 | 一种基于距离谱的群体构象空间优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104951670A CN104951670A (zh) | 2015-09-30 |
| CN104951670B true CN104951670B (zh) | 2018-03-16 |
Family
ID=54166323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510308750.XA Active CN104951670B (zh) | 2015-06-08 | 2015-06-08 | 一种基于距离谱的群体构象空间优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104951670B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808973B (zh) * | 2016-03-03 | 2018-06-01 | 浙江工业大学 | 一种基于阶段性多策略的群体构象空间采样方法 |
| CN106407738A (zh) * | 2016-04-08 | 2017-02-15 | 浙江工业大学 | 一种基于种群拥挤度识别的差分进化蛋白质结构预测方法 |
| CN105975806A (zh) * | 2016-04-26 | 2016-09-28 | 浙江工业大学 | 一种基于距离约束副本交换的蛋白质结构预测方法 |
| CN109509510B (zh) * | 2018-07-12 | 2021-06-18 | 浙江工业大学 | 一种基于多种群系综变异策略的蛋白质结构预测方法 |
| CN109243526B (zh) * | 2018-07-12 | 2021-08-03 | 浙江工业大学 | 一种基于特定片段交叉的蛋白质结构预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970985A (zh) * | 2014-04-08 | 2014-08-06 | 浙江工业大学 | 一种基于局部抽象凸估计的群体全局优化方法 |
| CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
| CN104200084A (zh) * | 2014-08-25 | 2014-12-10 | 浙江工业大学 | 一种基于局部Lipschitz估计的区域动态剖分群体全局优化方法 |
| CN104200131A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于片段组装的蛋白质构象空间优化方法 |
| CN104200130A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于树结构副本交换和片段组装的蛋白质结构预测方法 |
| CN104462749A (zh) * | 2014-10-23 | 2015-03-25 | 浙江工业大学 | 一种基于动态小生境半径差分进化的多模态优化方法 |
-
2015
- 2015-06-08 CN CN201510308750.XA patent/CN104951670B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970985A (zh) * | 2014-04-08 | 2014-08-06 | 浙江工业大学 | 一种基于局部抽象凸估计的群体全局优化方法 |
| CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
| CN104200131A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于片段组装的蛋白质构象空间优化方法 |
| CN104200130A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于树结构副本交换和片段组装的蛋白质结构预测方法 |
| CN104200084A (zh) * | 2014-08-25 | 2014-12-10 | 浙江工业大学 | 一种基于局部Lipschitz估计的区域动态剖分群体全局优化方法 |
| CN104462749A (zh) * | 2014-10-23 | 2015-03-25 | 浙江工业大学 | 一种基于动态小生境半径差分进化的多模态优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于片段组装的蛋白质构象空间优化算法;郝小虎等;《计算机科学》;20150331;第42卷(第3期);第237-239页 * |
| 基于集结过程的蛋白质构象优化方法;张贵军等;《浙江工业大学学报》;20131231;第41卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104951670A (zh) | 2015-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104951670B (zh) | 一种基于距离谱的群体构象空间优化方法 | |
| Guo et al. | DNSS2: Improved ab initio protein secondary structure prediction using advanced deep learning architectures | |
| Ahmed et al. | DeepPPSite: a deep learning-based model for analysis and prediction of phosphorylation sites using efficient sequence information | |
| CN105760710A (zh) | 一种基于两阶段差分进化算法的蛋白质结构预测方法 | |
| CN107506613B (zh) | 一种基于复合结构特征的多模态蛋白质构象空间优化方法 | |
| Zhang et al. | Enhancing protein conformational space sampling using distance profile-guided differential evolution | |
| Wekesa et al. | A deep learning model for plant lncRNA-protein interaction prediction with graph attention | |
| Wang et al. | Improved fragment sampling for ab initio protein structure prediction using deep neural networks | |
| CN109360596B (zh) | 一种基于差分进化局部扰动的蛋白质构象空间优化方法 | |
| Ahmad et al. | Mal-light: Enhancing lysine malonylation sites prediction problem using evolutionary-based features | |
| CN104866733A (zh) | 一种基于副本交换的群体构象空间优化方法 | |
| Kandathil et al. | Deep learning-based prediction of protein structure using learned representations of multiple sequence alignments | |
| Skolnick et al. | Computational studies of protein folding | |
| Liu et al. | Prediction of protein ubiquitination sites via multi-view features based on eXtreme gradient boosting classifier | |
| Deng et al. | A deep neural network approach using distributed representations of RNA sequence and structure for identifying binding site of RNA-binding proteins | |
| Yan et al. | A systematic review of state-of-the-art strategies for machine learning-based protein function prediction | |
| Sun et al. | Tetramer protein complex interface residue pairs prediction with LSTM combined with graph representations | |
| Eghdami et al. | BetaProbe: A probability based method for predicting beta sheet topology using integer programming | |
| Manners et al. | Performing local network alignment by ensembling global aligners | |
| Chen et al. | Neural Networks in Bioinformatics. | |
| Geethu et al. | Improved 3-D protein structure predictions using deep ResNet model | |
| Mohamadi et al. | Human age estimation from gene expression data using artificial neural networks | |
| Vignesh et al. | Clustering on structured proteins with filtering instances on Bioweka | |
| Kakumani et al. | A two-stage neural network based technique for protein secondary structure prediction | |
| Raja et al. | Nature inspired algorithms for genome subsequence assembly in Hadoop |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |