CN106503485A - 一种局部增强的多模态差分进化蛋白质结构从头预测方法 - Google Patents
一种局部增强的多模态差分进化蛋白质结构从头预测方法 Download PDFInfo
- Publication number
- CN106503485A CN106503485A CN201610846348.1A CN201610846348A CN106503485A CN 106503485 A CN106503485 A CN 106503485A CN 201610846348 A CN201610846348 A CN 201610846348A CN 106503485 A CN106503485 A CN 106503485A
- Authority
- CN
- China
- Prior art keywords
- population
- trial
- mode
- individual
- target
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Linguistics (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种局部增强的多模态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;将构象种群划分为多个模态,以保持种群多样性,采用片段组装技术来提高预测精度,同时采用蒙特卡洛算法对种群做增强;在种群进化后期,使用抽象凸估计技术,建立模态的下界估计模型,构建广义下降方向,对模态内个体做局部增强,以得到更为优良的局部构象;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更为有效的搜索。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、预测精度较高的局部增强的多模态差分进化蛋白质结构从头预测方法。
Description
技术领域
本发明涉及生物信息学、计算机应用领域,尤其涉及的是一种局部增强的多模态差分进化蛋白质结构从头预测方法。
背景技术
蛋白质分子在生物细胞化学反应过程中起着至关重要的作用。它们的结构模型和生物活性状态对我们理解和治愈多种疾病有重要的意义。蛋白质只有折叠成特定的三维结构才能产生其特有的生物学功能。因此,要了解蛋白质的功能,就必须获得其三维空间结构。
蛋白质结构预测问题自上世纪50年代以来就一直备受关注,尤其是从头预测构象空间优化方法,是生物信息学和计算生物学领域的热点研究课题,因为蛋白质的三维空间结构决定了它所承载的生物功能,想要了解其功能进而对许多由蛋白质结构改变而引起的疾病进行有效的控制和预防,就必须获得其三维结构。从头预测方法直接从蛋白质的氨基酸序列出发,根据Anfinsen原则,以计算机为工具,运用适当算法,通过计算得到蛋白质的天然构象,适用于同源性小于25%的大多数蛋白质。而制约从头预测方法预测精度的瓶颈因素主要有两个方面:第一,蛋白质构象空间的高维复杂性以及能量表面的粗糙性,使其成为一个难解的NP-Hard问题;第二,力场模型的不精确性也使得预测结果难以达到较高的精度。设计有效的算法增强对构象空间的采样是解决蛋白质结构从头预测瓶颈问题的有效途径。但是到目前还没有一种十分完善的方法来预测蛋白质的三维结构,即使获得了很好的预测结果,但也只是针对某些蛋白质而言的,目前主要的技术瓶颈在于两个方面,第一方面在于采样方法,现有技术对构象空间采样能力不强,另一方面在于构象更新方法,现有技术对构象的更新精度仍然不足。
因此,现有的蛋白质结构预测方法存在不足,需要改进。
发明内容
为了克服现有蛋白质结构预测方法的构象空间搜索维数较高、收敛速度较慢、预测精度较低的不足,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、预测精度较高的局部增强的多模态差分进化蛋白质结构从头预测方法,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;将构象种群划分为多个模态,以保持种群多样性,采用片段组装技术来提高预测精度,同时采用蒙特卡洛算法对种群做增强;在种群进化后期,使用抽象凸估计技术,建立模态的下界估计模型,构建广义下降方向,对模态内个体做局部增强,以得到更为优良的局部构象;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更为有效的搜索。
本发明解决其技术问题所采用的技术方案是:
一种局部增强的多模态差分进化蛋白质结构从头预测方法,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,交叉因子CR,变异因子MU,片段的长度L,模态数量N;
3)种群初始化:由输入序列产生popSize个种群个体Pinit;
4)模态建立:将种群平均划分为N个模态;
5)开始迭代,执行种群进化过程:
5.1)设i=1,j=1,其中i∈{1,2,3,…,N},j∈{1,2,3,…,Nmodal};令Ptarget=Pij,其中i,j为序号,Nmodal表示模态中个体的数目,Ptarget表示目标个体;
5.2)针对个体Ptarget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Ptrial′;
5.3)随机生成正整数rand1,rand2,rand3,其中rand1∈{1,2,3,...,Nmodal},rand1≠j,rand2∈{1,2,…,Length},rand3∈(0,1),其中Length为序列长度;
5.4)若随机数rand3<=CR,针对Ptrial’做交叉操作:令l=rand1;k=rand2;令即:将Ptrial′的第k个氨基酸所对应的二面角替换为Pl相同位置氨基酸对应的二面角
5.5)令Ptrial=Ptrial′,得到测试个体Ptrial;
5.6)执行更新操作:根据Rosetta Score3能量函数计算Ptarget和Ptrial的能量:E(Ptarget),E(Ptrial);若E(Ptarget)>E(Ptrial)令Ptarget=Ptrial,否则保持种群不变;
5.7)得到更新后的种群Pupdate;
5.8)针对种群Pupdate中的每一个模态做模态增强:
5.8.1)选择模态中能量最低的两个个体Pdes1,Pdes2,构建当前模态的下界支撑面,得到模态区域最小估计值xmin;
5.8.2)根据构建广义下降方向Ddes,其中为个体Pdes1的二面角表示;
5.8.3)根据生成增强个体Penhance,其中为个体Pdes2的二面角表示,λ为步长调整因子;
5.8.4)根据Rosetta Score3能量函数计算增强个体的能量:E(Penhance),并与当前模态中能量最高的个体Pmax进行比较,若能量下降,则用增强个体替换当前能量最高个体;
6)迭代运行步骤5)至达到终止条件。
进一步,所述步骤6)中,终止条件为迭代次数T达到最大迭代次数Tmax。
本发明的有益效果为: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;将构象种群划分为多个模态,以保持种群多样性,采用片段组装技术来提高预测精度,同时采用蒙特卡洛算法对种群做增强;在种群进化后期,使用抽象凸估计技术,建立模态的下界估计模型,构建广义下降方向,对模态内个体做局部增强,以得到更为优良的局部构象;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更为有效的搜索。
附图说明
图1是蛋白质2L0G预测结构和实验室测定结构最接近的构象三维示意图。
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1,一种局部增强的多模态差分进化蛋白质结构从头预测方法,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,交叉因子CR,变异因子MU,片段的长度L,模态数量N;
3)种群初始化:由输入序列产生popSize个种群个体Pinit;
4)模态建立:将种群平均划分为N个模态;
5)开始迭代,执行种群进化过程:
5.1)设i=1,j=1,其中i∈{1,2,3,…,N},j∈{1,2,3,…,Nmodal};令Ptarget=Pij,其中i,j为序号,Nmodal表示模态中个体的数目,Ptarget表示目标个体;
5.2)针对个体Ptarget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Ptrial′;
5.3)随机生成正整数rand1,rand2,rand3,其中rand1∈{1,2,3,...,Nmodal},rand1≠j,rand2∈{1,2,…,Length},rand3∈(0,1),其中Length为序列长度;
5.4)若随机数rand3<=CR,针对Ptrial’做交叉操作:令l=rand1;k=rand2;令即:将Ptrial′的第k个氨基酸所对应的二面角替换为Pl相同位置氨基酸对应的二面角
5.5)令Ptrial=Ptrial′,得到测试个体Ptrial;
5.6)执行更新操作:根据Rosetta Score3能量函数计算Ptarget和Ptrial的能量:E(Ptarget),E(Ptrial);若E(Ptarget)>E(Ptrial)令Ptarget=Ptrial,否则保持种群不变;
5.7)得到更新后的种群Pupdate;
5.8)针对种群Pupdate中的每一个模态做模态增强:
5.8.1)选择模态中能量最低的两个个体Pdes1,Pdes2,构建当前模态的下界支撑面,得到模态区域最小估计值xmin;
5.8.2)根据构建广义下降方向Ddes,其中为个体Pdes1的二面角表示;
5.8.3)根据生成增强个体Penhance,其中为个体Pdes2的二面角表示,λ为步长调整因子;
5.8.4)根据Rosetta Score3能量函数计算增强个体的能量:E(Penhance),并与当前模态中能量最高的个体Pmax进行比较,若能量下降,则用增强个体替换当前能量最高个体;
6)迭代运行步骤5)至达到终止条件.
进一步,所述步骤6)中,终止条件为迭代次数T达到最大迭代次数Tmax。
本实施例以序列长度为32的蛋白质2L0G为实施例,一种局部增强的多模态差分进化蛋白质结构从头预测方法,其中包含以下步骤:
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,交叉因子CR,变异因子MU,片段的长度L,模态数量N;
3)种群初始化:由输入序列产生popSize个种群个体Pinit;
4)模态建立:将种群平均划分为N个模态;
5)开始迭代,执行种群进化过程:
5.1)设i=1,j=1,其中i∈{1,2,3,…,N},j∈{1,2,3,…,Nmodal};令Ptarget=Pij,其中i,j为序号,Nmodal表示模态中个体的数目,Ptarget表示目标个体;
5.2)针对个体Ptarget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Ptrial′;
5.3)随机生成正整数rand1,rand2,rand3,其中rand1∈{1,2,3,...,Nmodal},rand1≠j,rand2∈{1,2,…,Length},rand3∈(0,1),其中Length为序列长度;
5.4)若随机数rand3<=CR,针对Ptrial’做交叉操作:令l=rand1;k=rand2;令即:将Ptrial′的第k个氨基酸所对应的二面角替换为Pl相同位置氨基酸对应的二面角
5.5)令Ptrial=Ptrial′,得到测试个体Ptrial;
5.6)执行更新操作:根据Rosetta Score3能量函数计算Ptarget和Ptrial的能量:E(Ptarget),E(Ptrial);若E(Ptarget)>E(Ptrial)令Ptarget=Ptrial,否则保持种群不变;
5.7)得到更新后的种群Pupdate;
5.8)针对种群Pupdate中的每一个模态做模态增强:
5.8.1)选择模态中能量最低的两个个体Pdes1,Pdes2,构建当前模态的下界支撑面,得到模态区域最小估计值xmin;
5.8.2)根据构建广义下降方向Ddes,其中为个体Pdes1的二面角表示;
5.8.3)根据生成增强个体Penhance,其中为个体Pdes2的二面角表示,λ为步长调整因子;
5.8.4)根据Rosetta Score3能量函数计算增强个体的能量:E(Penhance),并与当前模态中能量最高的个体Pmax进行比较,若能量下降,则用增强个体替换当前能量最高个体;
6)迭代运行步骤5)至达到终止条件,终止条件为迭代次数T达到最大迭代次数Tmax;
以序列长度为32的蛋白质2L0G为实施例,运用以上方法得到了该蛋白质的近天然态构象,预测结构和实验室测定结构最接近的构象三维示意图如图1所示。
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 (2)
1.一种局部增强的多模态差分进化蛋白质结构从头预测方法,其特征在于:所述构象空间搜索方法包括以下步骤:
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,交叉因子CR,变异因子MU,片段的长度L,模态数量N;
3)种群初始化:由输入序列产生popSize个种群个体Pinit;
4)模态建立:将种群平均划分为N个模态;
5)开始迭代,执行种群进化过程:
5.1)设i=1,j=1,其中i∈{1,2,3,…,N},j∈{1,2,3,…,Nmodal};令Ptarget=Pij,其中i,j为序号,Nmodal表示模态中个体的数目,Ptarget表示目标个体;
5.2)针对个体Ptarget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Ptrial′;
5.3)随机生成正整数rand1,rand2,rand3,其中rand1∈{1,2,3,...,Nmodal},rand1≠j,rand2∈{1,2,…,Length},rand3∈(0,1),其中Length为序列长度;
5.4)若随机数rand3<=CR,针对Ptrial’做交叉操作:令l=rand1;k=rand2;令即:将Ptrial′的第k个氨基酸所对应的二面角φ,ω替换为Pl相同位置氨基酸对应的二面角φ,ω;
5.5)令Ptrial=Ptrial′,得到测试个体Ptrial;
5.6)执行更新操作:根据Rosetta Score3能量函数计算Ptarget和Ptrial的能量:E(Ptarget),E(Ptrial);若E(Ptarget)>E(Ptrial)令Ptarget=Ptrial,否则保持种群不变;
5.7)得到更新后的种群Pupdate;
5.8)针对种群Pupdate中的每一个模态做模态增强:
5.8.1)选择模态中能量最低的两个个体Pdes1,Pdes2,构建当前模态的下界支撑面,得到模态区域最小估计值xmin;
5.8.2)根据构建广义下降方向Ddes,其中为个体Pdes1的二面角表示;
5.8.3)根据生成增强个体Penhance,其中为个体Pdes2的二面角表示,λ为步长调整因子;
5.8.4)根据Rosetta Score3能量函数计算增强个体的能量:E(Penhance),并与当前模态中能量最高的个体Pmax进行比较,若能量下降,则用增强个体替换当前能量最高个体;
6)迭代运行步骤5)至达到终止条件。
2.如权利要求1所述的一种局部增强的多模态差分进化蛋白质结构从头预测方法,其特征在于:所述步骤6)中,终止条件为迭代次数T达到最大迭代次数Tmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846348.1A CN106503485B (zh) | 2016-09-23 | 2016-09-23 | 一种局部增强的多模态差分进化蛋白质结构从头预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846348.1A CN106503485B (zh) | 2016-09-23 | 2016-09-23 | 一种局部增强的多模态差分进化蛋白质结构从头预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503485A true CN106503485A (zh) | 2017-03-15 |
CN106503485B CN106503485B (zh) | 2019-04-23 |
Family
ID=58289934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610846348.1A Active CN106503485B (zh) | 2016-09-23 | 2016-09-23 | 一种局部增强的多模态差分进化蛋白质结构从头预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503485B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920894A (zh) * | 2018-06-08 | 2018-11-30 | 浙江工业大学 | 一种基于简约抽象凸估计的蛋白质构象空间优化方法 |
CN109326321A (zh) * | 2018-08-30 | 2019-02-12 | 浙江工业大学 | 一种基于抽象凸估计的k-近邻蛋白质结构预测方法 |
CN109360601A (zh) * | 2018-08-29 | 2019-02-19 | 浙江工业大学 | 一种基于排挤策略的多模态蛋白质结构预测方法 |
CN110706741A (zh) * | 2019-08-27 | 2020-01-17 | 浙江工业大学 | 一种基于序列小生境的多模态蛋白质结构预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073092A1 (en) * | 2000-11-10 | 2003-04-17 | Maranas Costas D. | Modeling framework for predicting the number, type, and distribution of crossovers in directed evolution experiments |
CN103077226A (zh) * | 2012-12-31 | 2013-05-01 | 浙江工业大学 | 一种多模态蛋白质构象空间搜索方法 |
CN104933327A (zh) * | 2015-06-08 | 2015-09-23 | 浙江工业大学 | 一种局部增强的差分进化蛋白质构象空间搜索方法 |
CN105160436A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于n邻近Lipschitz支撑面的广义增强群体全局优化方法 |
-
2016
- 2016-09-23 CN CN201610846348.1A patent/CN106503485B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073092A1 (en) * | 2000-11-10 | 2003-04-17 | Maranas Costas D. | Modeling framework for predicting the number, type, and distribution of crossovers in directed evolution experiments |
CN103077226A (zh) * | 2012-12-31 | 2013-05-01 | 浙江工业大学 | 一种多模态蛋白质构象空间搜索方法 |
CN104933327A (zh) * | 2015-06-08 | 2015-09-23 | 浙江工业大学 | 一种局部增强的差分进化蛋白质构象空间搜索方法 |
CN105160436A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于n邻近Lipschitz支撑面的广义增强群体全局优化方法 |
Non-Patent Citations (2)
Title |
---|
张贵军 等: "基于广义凸下界估计的多模态差分进化算法", 《软件学报》 * |
陈先跑 等: "基于Monte Carlo局部增强的多模态优化算法", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920894A (zh) * | 2018-06-08 | 2018-11-30 | 浙江工业大学 | 一种基于简约抽象凸估计的蛋白质构象空间优化方法 |
CN108920894B (zh) * | 2018-06-08 | 2021-06-18 | 浙江工业大学 | 一种基于简约抽象凸估计的蛋白质构象空间优化方法 |
CN109360601A (zh) * | 2018-08-29 | 2019-02-19 | 浙江工业大学 | 一种基于排挤策略的多模态蛋白质结构预测方法 |
CN109360601B (zh) * | 2018-08-29 | 2021-05-18 | 浙江工业大学 | 一种基于排挤策略的多模态蛋白质结构预测方法 |
CN109326321A (zh) * | 2018-08-30 | 2019-02-12 | 浙江工业大学 | 一种基于抽象凸估计的k-近邻蛋白质结构预测方法 |
CN110706741A (zh) * | 2019-08-27 | 2020-01-17 | 浙江工业大学 | 一种基于序列小生境的多模态蛋白质结构预测方法 |
CN110706741B (zh) * | 2019-08-27 | 2021-08-03 | 浙江工业大学 | 一种基于序列小生境的多模态蛋白质结构预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106503485B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | AlphaFold2 and its applications in the fields of biology and medicine | |
CN104933327B (zh) | 一种局部增强的差分进化蛋白质构象空间搜索方法 | |
CN106503485A (zh) | 一种局部增强的多模态差分进化蛋白质结构从头预测方法 | |
CN103714265B (zh) | 一种基于蒙特卡洛局部抖动和片段组装的蛋白质三维结构预测方法 | |
Custódio et al. | A multiple minima genetic algorithm for protein structure prediction | |
CN106503486A (zh) | 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 | |
CN103984878B (zh) | 一种基于树搜索和片段组装的蛋白质结构预测方法 | |
CN103413067A (zh) | 一种基于抽象凸下界估计的蛋白质结构预测方法 | |
CN109637579B (zh) | 一种基于张量随机游走的关键蛋白质识别方法 | |
CN105046101B (zh) | 一种基于副本交换和局部增强策略的群体构象空间搜索方法 | |
CN103473482A (zh) | 基于差分进化和构象空间退火的蛋白质三维结构预测方法 | |
CN104866733B (zh) | 一种基于副本交换的群体构象空间优化方法 | |
Lei et al. | Increasing reliability of protein interactome by fast manifold embedding | |
Rashid et al. | A new genetic algorithm for simplified protein structure prediction | |
Sheng et al. | Multilocal search and adaptive niching based memetic algorithm with a consensus criterion for data clustering | |
CN109360596A (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 | |
CN104200131B (zh) | 一种基于片段组装的蛋白质构象空间优化方法 | |
Boudard et al. | GARN: Sampling RNA 3D structure space with game theory and knowledge-based scoring strategies | |
Rashid et al. | A local search embedded genetic algorithm for simplified protein structure prediction | |
CN108595910A (zh) | 一种基于多样性指标的群体蛋白质构象空间优化方法 | |
Hara et al. | Modified eo-based evolutionary algorithm for reducing crossovers of reconciliation graph | |
Das et al. | Gradient descent optimization in gene regulatory pathways | |
CN109243525B (zh) | 一种基于种群熵的阶段性蛋白质结构预测方法 | |
Dhanik et al. | Auto dock-based incremental docking protocol to improve docking of large ligands | |
Guo et al. | Optimal HP configurations of proteins by combining local search with elastic net algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |