CN108629150A - 基于多种群协助的量子遗传算法的rna二级结构预测方法 - Google Patents

Abstract

本发明属于生物信息学技术领域，公开了一种基于多种群协助的量子遗传算法的RNA二级结构预测方法，根据RNA序列建立序列的茎区池和茎区相容矩阵；用量子比特向量来初始化多个染色体种群；对各种群量子测量；根据测量结果获取最优个体；取得全部种群中的最优个体b，并用它替换其他种群中最优个体和b非同源的最差个体，然后各种群用不同的旋转角更新，而其他不参与替换的种群用固定旋转角更新；迭代上述过程，直到满足停止条件。本发明有效的提升了量子遗传算法的全局搜索能力和搜索效率，降低了遗传算法的进化代数。同时各种群间抑制竞争相互合作有效的提升了算法的全局性，预测准确性大幅度增加。

Description

基于多种群协助的量子遗传算法的RNA二级结构预测方法

技术领域

本发明属于生物信息学技术领域，尤其涉及一种基于多种群协助的量子遗传算法的RNA二级结构预测方法。

背景技术

目前，业内常用的现有技术是这样的：RNA二级结构是指RNA序列由自身回折形成的茎环结构，是一种介于一级结构和三级结构之间的结构，且存储较多高级结构信息，因此二级结构的研究是生物信息学领域的重要研究课题。二级结构的确定主要有两种方法：物理化学的实验方法和数学计算的预测方法。实验方法主要包括X射线晶体衍射和核磁共振(NMR)。虽然实验方法得到的结果精确，但由于RNA分子降解速度快，难以结晶，故通过等实验方法测定RNA分子的结构很不容易，费时费力，代价高昂，无法满足今天海量RNA二级结构预测的需求。另外实验方法只能测定包含较少碱基的RNA序列的二级结构，而面对分子量较大的RNA时，实验方法的精确度会急剧下降。为了解决上述实验方法的弊端，人们开始着手借助数学计算方法，并结合计算机从理论上去预测RNA的二级结构，然后做进一步的验证。目前RNA二级结构的预测主要有两种思路：基于系统发育的序列比对方法和基于分子热动力学最小自由能模型。基于最小自由能模型的主要算法有动态规划算法、茎区组合算法和启发类算法等。启发类算法属于随机类算法，无法保证每次计算都收敛到全局最优解，即自由能最小的结构。而如前所述，RNA的真实结构往往是一种次优结构，正好可以利用这个条件，使用启发类算法计算出指定阀值范围的所有二级结构，然后做进一步验证。常用的启发类算法有如遗传算法，模拟退火算法，神经网络算法等。现有的遗传算法有遗传算法(GA)、量子遗传算法(QGA)、增强型量子遗传算法(EQGA)。用遗传算法来预测RNA二级结构是一种比较基本的智能算法，用该算法来预测RNA二级结构是一种预测RNA二级结构的新思路，尽管算法能够预测RNA二级结构，但算法本身存在收敛速度慢、搜索效率低，易陷入局部极值点的问题。量子遗传算法，是一种将量子计算理论和遗传算法相结合的概率搜索算法，该算法具有更好的种群多样性和计算并行性的特点，这些特点使量子遗传算法具有更快的收敛速度和更高的搜索效率，但算法旋转角固定，不能根据搜索结果调整搜索参数，因此依然存在搜索性差的问题，而另一方面尽管收敛速度有所改观，但依然收敛速度慢。增强型量子遗传算法，在量子遗传算法中加入了自适应旋转参数，优化了收敛速度；在算法中引入交叉和变异操作，优化了算法的全局性搜索能力。但收敛速度和局部搜索能力仍然是一个关键问题。

综上所述，现有技术存在的问题是：现有的RNA二级结构预测算法中存在的收敛速度慢，搜索能力差的问题。搜索能力差往往不能协调算法全局和局部搜索能力，会使算法很容易陷入到局部极小值点，造成“早熟”现象，从而不能寻得全局最优点，从而使算法性能偏低。而收敛速度慢，则会使算法迭代次数过高，算法的执行时间过长，而使算法的执行效率低下。

解决上述技术问题的难度和意义：遗传算法中，全局搜索能力和局部搜索能力是两个“难以兼得”的能力，一个算法如果有较强的全局搜索能力，那么往往就不能兼顾局域搜索能力，反之亦然。如果将两者协调折中，那么算法又会陷入到收敛速度慢的问题。如果能很好的协调三者，既能有较强的全局搜索能力，又有较强的局域搜索能力，且收敛速度快，那么算法的准确性和运算效率就会得到很大的提高，RNA二级结构的预测准确度和算法收敛速度就会大大增加。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多种群协助的量子遗传算法的RNA二级结构预测方法。

本发明是这样实现的，一种基于多种群协助的量子遗传算法的RNA二级结构预测方法，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法根据RNA序列建立茎区池和茎区相容矩阵，初始化C个规模为M的量子种群，对每个种群中的个体进行量子测量，并对测量结果根据茎区池和茎区相容矩阵修正，然后对修正后的测量结果序列计算个体的适应度并记录下最优个体，最优个体在一定的条件下替换掉其他种群的最差个体，最后通过量子旋转完成种群更新；迭代逐步优化，直到达到优化目标为止。

进一步，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的种群替换：其他种群中，没有最优个体的同源个体，则用最优替换其他种群的最差个体；替换后，种群的更新旋转角度通过度实现种群之间的协助；种群不转移，各种群的旋转角度设置为相同。

进一步，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤：

步骤一，建立茎区池，RNA序列为R，长度为N，根据RNA序列建立序列的茎区池和茎区相容矩阵；

步骤二，初始化染色体种群，用量子比特向量来初始化C个规模为M的染色体种群；每个种群为 为第t代种群的第j个个体的染色体编码；

步骤三，量子测量Q(t)，根据测量结果得到状态0或状态1，得到初始种群；

步骤四，更新种群，根据测量结果更新种群；

步骤五，多次迭代，逐步逼近最优；

步骤六，当最优个体多次迭代不改变，则在迭代次数到达阈值之后结束迭代，返回迭代结果。

进一步，所述步骤二中为第t代种群的第j个个体的染色体编码，表示如下：

其中N为每个个体的编码长度，茎区池的大小。在初始化Q(t)时，和(j＝0,1,2,…m-1)为

进一步，所述步骤三中初始种群：

是N维0,1向量。根据RNA序列的茎区池和茎区相容矩阵，修正种群向量；计算每一个个体的自由能取其相反值作为适应度。

进一步，所述步骤四中更新种群方式为：

旋转角θ_i，Δθ_i的取值范围是[0.001π，0.1π]； 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因；和f(x^t)分别为第j个确定解的适应度和最优个体的适应度；用来根据当前基因所在的象限来确定旋转角的符号。

进一步，所述步骤五具体包括：比较当前测量后的最优个体b和上一代的最优个体b₁；

a)当前最优个体b更好，则需要进行以下判断：

i)当前种群中的最优个体和全部其他种群的最优个体没有关系，则用最优个体b替换所有其他W(W≤c-1)个种群中的最差个体；各个种群的搜索旋转角度Δθ_i按照梯度设置，不同梯度有不同的搜索半径，实现在最优值附近按照不同的旋转角度协作搜索；具体公式如下：

Δθ_i＝0.001π+(0.1π-0.001π)i；

变量i＝(1，2，...，W)；

ii)当前种群中的最优个体和其他种群的最优个体同源，则同源的种群不进行替换出现同源的最差个体，种群只进行旋转角度为Δθ_i＝0.08π正常进化其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群；

b)当前最优个体b没有更好，只根据固定旋转角Δθ_i＝0.08π对种群染色体更新。

本发明的另一目的在于提供种应用所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的生物信息学处理系统。

综上所述，本发明的优点及积极效果为：本发明在进行RNA二级结构预测的过程中，通过采取多个量子种群的协助搜索扩大了搜索范围，同时各种群间抑制竞争相互合作有效的提升了算法的全局性，预测准确性大幅度增加。相较于一般的多种群遗传算法，保留了在出现最优结果时的协助搜索，优化了在没出现最优结果时的大角度搜索，全局性更好；优化了转移操作。一般多种群的转移算子会在每一代更新后都要转移，会造成种群的多样性会迅速缩小趋同，从而会降低全局搜索能力。优化后，转移操作只在一些条件之下才发生，有效的保护了种群多样性。多个种群的协同能够使算法迅速收敛，进化代数更少。

附图说明

图1是本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法流程图。

图2是本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法实现流程图。

图3是本发明实施例提供的移民算子转移图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明旨在解决现有的RNA二级结构预测中存在的全局搜索性差，搜索效率低和易陷于局部极值点；用于优化现有的RNA二级结构预测中存在的全局搜索效率。

如图1所示，本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤：

S101：根据RNA序列建立序列的茎区池和茎区相容矩阵；

S102：用量子比特向量来初始化多个染色体种群；

S103：对各种群量子测量；

S104：根据测量结果获取最优个体；

S105：取得全部种群中的最优个体b，并用它替换其他种群中最优个体和b非同源的最差个体，然后各种群用不同的旋转角更新，而其他不参与替换的种群用固定旋转角更新；

S106：迭代上述过程，直到满足停止条件。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法具体包括以下步骤：

步骤一，建立茎区池，设有RNA序列为R，其长度为N，根据RNA序列建立序列的茎区池和茎区相容矩阵。

步骤二，初始化染色体种群，用量子比特向量来初始化C个规模为M的染色体种群。每个种群定义为 为第t代种群的第j个个体的染色体编码,其表示如下：

其中N为每个个体的编码长度,即茎区池的大小。在初始化Q(t)时，和(j＝0,1,2,…m-1)为

步骤三，量子测量Q(t)，根据测量结果得到状态0或状态1，从而得到初始种群：

是N维0,1向量。根据RNA序列的茎区池和茎区相容矩阵，修正种群向量。计算每一个个体的自由能取其相反值作为适应度。并保存所有的种群中有最好适应度的个体b；

步骤四，更新种群，根据测量结果更新种群。更新方式如下:

旋转角θ_i根据下面表格确定。Δθ_i的取值范围是[0.001π，0.1π]。 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因；和f(x^t)分别为第j个确定解的适应度和最优个体的适应度；用来根据当前基因所在的象限来确定旋转角的符号。

步骤五，多次迭代，逐步逼近最优。

比较当前测量后的最优个体b和上一代的最优个体b₁。

a)如果当前最优个体b更好，则需要进行以下判断：

i)如果当前种群中的最优个体和全部其他种群的最优个体没有关系，则用最优个体b替换所有其他W(W≤c-1)个种群中的最差个体。各个种群的搜索旋转角度Δθ_i按照一定的梯度设置，不同梯度有不同的搜索半径，从而实现在最优值附近按照不同的旋转角度协作搜索。具体公式如下：

Δθ_i＝0.001π+(0.1π-0.001π)i；

变量i＝(1，2，...，W)。

ii)如果当前种群中的最优个体和其他种群的最优个体同源，则同源的种群不进行替换出现同源的最差个体，这些种群只进行旋转角度为Δθ_i＝0.08π正常进化。其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群。

b)如当前最优个体b没有更好，则只根据固定旋转角Δθ_i＝0.08π对种群染色体更新。

步骤六，当最优个体多次迭代不改变。则在迭代次数到达阈值之后结束迭代，返回迭代结果。

表1几种RNA二级结构预测算法结构对比图

RFA_00640结果

ASE_00351结果

ASE_00322结果

ASE_00443结果

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法根据RNA序列建立茎区池和茎区相容矩阵，初始化C个规模为M的量子种群，对每个种群中的个体进行量子测量，并对测量结果根据茎区池和茎区相容矩阵修正，然后对修正后的测量结果序列计算个体的适应度并记录下最优个体，最优个体在一定的条件下替换掉其他种群的最差个体，最后通过量子旋转完成种群更新；迭代逐步优化，直到达到优化目标为止。

2.如权利要求1所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的种群替换：其他种群中，没有最优个体的同源个体，则用最优替换其他种群的最差个体；替换后，种群的更新旋转角度通过度实现种群之间的协助；种群不转移，各种群的旋转角度设置为相同。

3.如权利要求1所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤：

步骤一，建立茎区池，RNA序列为R，长度为N，根据RNA序列建立序列的茎区池和茎区相容矩阵；

步骤二，初始化染色体种群，用量子比特向量来初始化C个规模为M的染色体种群；每个种群为 为第t代种群的第j个个体的染色体编码；

步骤三，量子测量Q(t)，根据测量结果得到状态0或状态1，得到初始种群；

步骤四，更新种群，根据测量结果更新种群；

步骤五，多次迭代，逐步逼近最优；

步骤六，当最优个体多次迭代不改变，则在迭代次数到达阈值之后结束迭代，返回迭代结果。

4.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述步骤二中为第t代种群的第j个个体的染色体编码，表示如下：

其中N为每个个体的编码长度，茎区池的大小；在初始化Q(t)时，和(j＝0,1,2,…m-1)为

5.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述步骤三中初始种群：

是N维0,1向量；根据RNA序列的茎区池和茎区相容矩阵，修正种群向量；计算每一个个体的自由能取其相反值作为适应度。

6.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述步骤四中更新种群方式为：

旋转角θ_i，Δθ_i的取值范围是[0.001π，0.1π]； 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因；和f(x^t)分别为第j个确定解的适应度和最优个体的适应度；用来根据当前基因所在的象限来确定旋转角的符号。

7.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法，其特征在于，所述步骤五具体包括：比较当前测量后的最优个体b和上一代的最优个体b₁；

a)当前最优个体b更好，则需要进行以下判断：

i)当前种群中的最优个体和全部其他种群的最优个体没有关系，则用最优个体b替换所有其他W(W≤C-1)个种群中的最差个体；各个种群的搜索旋转角度Δθ_i按照梯度设置，不同梯度有不同的搜索半径，实现在最优值附近按照不同的旋转角度协作搜索；具体公式如下：

Δθ_i＝0.001π+(0.1π-0.001π)i；

变量i＝(1，2，...，W)；

ii)当前种群中的最优个体和其他种群的最优个体同源，则同源的种群不进行替换出现同源的最差个体，种群只进行旋转角度为Δθ_i＝0.08π正常进化其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群；

b)当前最优个体b没有更好，只根据固定旋转角Δθ_i＝0.08π对种群染色体更新。

8.一种应用权利要求1～7任意一项所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的生物信息学处理系统。