CN109255427A - 一种基于量子粒子群优化算法的分子对接计算方法 - Google Patents
一种基于量子粒子群优化算法的分子对接计算方法 Download PDFInfo
- Publication number
- CN109255427A CN109255427A CN201811009258.2A CN201811009258A CN109255427A CN 109255427 A CN109255427 A CN 109255427A CN 201811009258 A CN201811009258 A CN 201811009258A CN 109255427 A CN109255427 A CN 109255427A
- Authority
- CN
- China
- Prior art keywords
- protein
- file
- docking
- particle swarm
- swarm optimization
- 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.)
- Pending
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
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Organic Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及计算机应用技术领域,具体公开了一种基于量子粒子群优化算法的分子对接计算方法,其中,所述基于量子粒子群优化算法的分子对接计算方法包括:获取蛋白质PDB文件;对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件;对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理;设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接;输出对接结果。本发明提供的基于量子粒子群优化算法的分子对接计算方法具有步骤简单,控制参数少,求解容易的优势。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于量子粒子群优化算法的分子对接计算方法。
背景技术
药物的设计和研发工作历来具有高投入、高风险、长周期等特点,这些严重制约了制药领域的发展。新药研究之所以进展缓慢,是因为在新药研究的初始阶段,药物分子的筛选没有很有效地手段,并且需要耗费大量人力、物力以及财力,结果却无法得到保证。因此建立有效地药物分子筛选手段是非常有必要的,计算机药物分子设计就是一种将传统的药物设计理论与数值优化方法结合的虚拟筛选方法。计算机技术的引入,使得药物分子设计时间得到很大程度的减少,主要是减少了筛选分子这一环节的时间,同时在开发成本方面也有所降低。
在现代药物设计和探索中,基于结构的模拟方法一分子对接,作为计算机辅助药物分子设计的重要环节和步骤,能够充分利用计算机的高速计算能力,结合优化方法并与药物设计相融合,己经成为创新药物研究的重要领域,为发现先导化合物提供了一个有效的途径。
分子对接方法把已知三维结构的药物小分子配体放置在受体大分子的活性位点处,通过计算两者相互作用能并优化小分子配体的取向和构象,得到其结合最优构象的过程。因此,分子对接方法本质上是预测配体受体最佳结合构象的优化问题。理想的构象搜索方法和精确的打分函数是影响分子对接方法优劣最关键的两方面。
构象搜索方法必须保证对分子体系的采样足够充分,从而保证真实的最优结合构象能包含在其样本之中。由于受体配体分子体系通常是由成千上万的原子组成,因而具有很高的自由度,其结合的过程非常复杂,因而对于分子柔性的处理一直是搜索最佳构象的过程中面临的巨大挑战。
目前智能算法,是分子对接软件中最常用的构象搜索算法。但是,目前的算法都没有很好的解决过早陷入局部最优解的缺陷,在构象搜索时就表现为,配体分子非常容易掉入受体分子表面凹陷的“假腔体”而无法找到真正的活性中心与受体分子结合。所以,目前不断的有新的全局优化算法被提出并运用于分子对接领域,以提高分子对接的时间效率以及增加配体分子准确找到受体活性中心而不落入“假腔体”的对接成功率。
因此,为了提高对接精度,寻找一种能够快速获得全局最优解的高效的优化算法显得尤为重要。同时如何改善智能优化算法在分子对接寻优过程容易陷入局部最优的缺点,使优化结果更准确,对接精度更高是本领域技术人员需要解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于量子粒子群优化算法的分子对接计算方法,以解决现有技术中的问题。
作为本发明的一个方面,提供一种基于量子粒子群优化算法的分子对接计算方法,其中,所述基于量子粒子群优化算法的分子对接计算方法包括:
获取蛋白质PDB文件;
对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件;
对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理;
设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接;
输出对接结果。
优选地,基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述基于量子粒子群优化算法的分子对接计算方法包括:
获取蛋白质PDB文件;
对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件;
对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理;
设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接;
输出对接结果
优选地,所述对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理包括:
将所述蛋白质配体放置到格点对接盒子;
设置参数,运行格点对接程序进行格点对接。
优选地,所述格点对接盒子包括能够容纳整个所述蛋白质配体以及蛋白质的空间。
优选地,所述格点对接盒子的中心放置在所述蛋白质配体的晶体结构的中心位置。
优选地,所述设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接包括:
选取基于量子粒子群优化算法和Solis and Wets混合构象搜索算法。
优选地,所述基于量子粒子群优化算法包括:
随机初始化粒子群中所有粒子的位置,生成初始化种群;
计算初始对接能量值;
采用Solis and Wets混合构象搜索算法进行算法迭代。
本发明提供的基于量子粒子群优化算法的分子对接计算方法,通过获取蛋白质PDB文件,对获取的蛋白质PDB文件进行预处理后得到蛋白质受体文件和蛋白质配体文件,然后对蛋白质受体文件以及蛋白质配体文件进行格点对接处理,以及选取对接算法进行分子对接,最终获得对接结果,具有步骤简单,控制参数少,求解容易的优势。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的基于量子粒子群优化算法的分子对接计算方法的流程图。
图2为本发明提供的基于量子粒子群优化算法的分子对接计算方法的具体实施方式的流程图。
图3为三种对接算法在测试集中获得的RMSD值结果对比图。
图4a为三种对接算法在测试受体蛋白为1aaq的最低对接能的收敛曲线图。
图4b为三种对接算法在测试受体蛋白为1icn的最低对接能的收敛曲线图。
图4c为三种对接算法在测试受体蛋白为1hvr的最低对接能的收敛曲线图。
图4d为三种对接算法在测试受体蛋白为1abf的最低对接能的收敛曲线图。
图5a为受体蛋白1aaq在三种对接算法在搜索最低能量对应的构象展示,其中a表示QPSO-ls算法,b表示QPSO算法,c表示LGA算法。
图5b为受体蛋白1hvr在三种对接算法在搜索最低能量对应的构象展示,其中a表示QPSO-ls算法,b表示QPSO算法,c表示LGA算法。
图5c为受体蛋白1abf在三种对接算法在搜索最低能量对应的构象展示,其中a表示QPSO-ls算法,b表示QPSO算法,c表示LGA算法。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
需要说明的是,蛋白质三维结构数据文件(Protein Data Bank,简称PDB),在生物学软件中,一般蛋白质的三维结构信息通过PDB文件进行保存。
作为本发明的一个方面,提供一种基于量子粒子群优化算法的分子对接计算方法,其中,如图1所示,所述基于量子粒子群优化算法的分子对接计算方法包括:
S110、获取蛋白质PDB文件;
S120、对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件;
S130、对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理;
S140、设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接;
S150、输出对接结果。
本发明提供的基于量子粒子群优化算法的分子对接计算方法,通过获取蛋白质PDB文件,对获取的蛋白质PDB文件进行预处理后得到蛋白质受体文件和蛋白质配体文件,然后对蛋白质受体文件以及蛋白质配体文件进行格点对接处理,以及选取对接算法进行分子对接,最终获得对接结果,具有步骤简单,控制参数少,求解容易的优势。
可以理解的是,所述获取蛋白质PDB文件可以通过在网上下载PDB文件的方式获得。
具体地,所述对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件包括:
对所述蛋白质PDB文件进行预处理得到蛋白质受体文件:
对所述蛋白质PDB文件中不属于结合位点的水分子和金属离子进行去除;
修复所述蛋白质PDB文件中的缺失原子的残基;
向所述蛋白质PDB文件中添加氢原子,分配电荷,合并非极性氢原子;
保存修改后的所述蛋白质PDB文件,获得所述蛋白质受体文件;
对所述蛋白质PDB文件进行预处理得到蛋白质配体文件:
从所述蛋白质PDB文件中抽取蛋白质配体原子的坐标;
给所述蛋白质配体原子添加氢原子,并分配电荷;
定义蛋白质配体的刚性根和扭转距;
获得蛋白质配体。
进一步具体地,其中,所述蛋白质受体文件与所述蛋白质配体文件均按照AutoDock手册进行预处理;
蛋白质受体文件处理包括:(1)首先去除不属于结合位点的水分子和金属离子;(2)修复缺失原子的残基;(3)添加氢原子,分配部分电荷,合并非极性氢原子;和(4)将文件保存为AutoDock4要求的格式。
蛋白质配体文件预处理包括:(1)从PDB文件中抽取配体原子的坐标;(2)给所有原子添加氢并分配部分电荷;(3)定义配体的刚性根和扭转距;和(4)将文件保存为AutoDock4要求的格式。
具体地,所述对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理包括:
将所述蛋白质配体放置到格点对接盒子;
设置参数,运行格点对接程序进行格点对接。
优选地,所述格点对接盒子包括能够容纳整个所述蛋白质配体以及蛋白质的空间。
优选地,所述格点对接盒子的中心放置在所述蛋白质配体的晶体结构的中心位置。
需要说明的是,实验中采用的网格大小为60×60×60,单个空间的大小是对接盒子的中心放在小分子配体晶体结构的中心位置。其他参数均使用Autodock4.2默认设置,运行Autogrid格点对接程序进行格点对接。
具体地,所述设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接包括:
选取基于量子粒子群优化算法和Solis and Wets混合构象搜索算法。
需要说明的是,选取基于量子粒子群优化算法(QPSO)和Solis and Wets(简称SW)混合构象搜索算法。算法流程图如图2所示。
初始设置粒子数为50,最大迭代次数为250000,局部搜索为自适应,即根据构象在当前位置由评价函数所评价得出的能量得分自动的调节自身的步长,这里把它的最大取值定义为50。程序中其他参数均使用Autodock4.2默认设置。
进一步具体地,所述基于量子粒子群优化算法包括:
随机初始化粒子群中所有粒子的位置,生成初始化种群;
计算初始对接能量值;
采用Solis and Wets混合构象搜索算法进行算法迭代。
进一步具体地,首先随机初始化粒子群中所有粒子的位置,设置粒子数为50,生成初始化种群。
计算初始对接能量;
其中:AutoDock4.2使用的打分函数是一个半经验的基于力场的能量函数。AutoDock4.2中的力场的计算过程分为两步:第一步分别计算配体和蛋白内部的能量从未对接状态到对接状态的变化,第二步是计算配体和蛋白之间从未对接状态到对接状态的变化。该打分函数包含6对能量项以及在对接过程中产生的熵(ΔSconf)。
其中,和分别为所述蛋白质配体结合态能量、配体未结合态能量、蛋白质结合态能量、蛋白质未结合态能量、蛋白质-配体间结合态能量和蛋白质-配体间未结合态能量;ΔSconf为熵;L表示配体;P表示蛋白质,ΔG表示6对能量的和。
每对估算值(V)的计算公式如下:
其中,表示范德华分散-排斥能,表示氢键能,表示静电势能,表示去溶剂化自由能。
算法迭代:首先进行QPSO迭代,根据粒子适应值更新粒子位置:更新粒子的全局最优位置和局部最优位置;根据能量公式计算粒子适应值;利用SW的局部搜索策略在全局最优解附近搜索新的解;更新粒子的最优位置。
Solis and Wets局部搜索算法的基本原理:是给定初始解并以正态分布随机生成可能解,在搜索过程中根据目标函数值的增大或减小米调整搜索的方向和步长,进而找到最优解。
设Xk=(xk1,xk2,...,xkD)为D维解空间的解,k为当前迭代次数,选取阈值参数sex、fct、ex、ct、σu、σl,其中:s、f是临时变量,分别表示在迭代过程中使用目标函数值连续下降时成功和失败的次数;sex、fct分别是s和f的阈值,这里取为5和3;σ0位Gaussian随机变量的初始标准差;σu、σl为标准差σk中各元素(记为(i=1,2,...,D))的上下限,这里取为3和0.1;ex和ct分别是标准差步进系数,即目标函数值连续下降时成功或失败的次数达到设定的阈值时对标准差所进行的扩大或缩小系数,这里取为2和0.5;μ0为Gaussian随机变量的初始均值。给定搜索初始解X0,将Gaussian随机生成的数列作为可能搜索解令μ0=X0+b0。
SW算法的步骤如下:
1)初始化参数:k=0,s=0,f=0,σ0=(1,1,...,1),b0=(1,1,...,1);
2)利用Gaussian分布生成D维随机变量:
3)计算目标函数值:
s=s+1,f=0;
else if
s=s+1,f=0;
else Xk+1=Xk,bk+1=0.5×bk,f=f+1,s=0;
4)对标准差σk+1中各元素(i=1,2,...,D)取值为:
5)令k=k+1,如果满足终止条件,则停止搜索,否则,转至2)。
在混合算法中,采用量子粒子群优化算法进行初步寻优,并将其寻到的最优点作为SW算法的搜索初始点X0。
混合算法代码如下:
随机初始化粒子;
计算初始对接能量值f(Xi);
计算群体的每个粒子的个体最佳位置;
while停止规则未达到do
For i=1 to population size M
计算平均最优位置;
更新个体最好位置和全局最好位置;
计算粒子的新的移动位置;
计算粒子新位置的对接能量值f(Xi+1);
End For
应用Solis and Wets算法;
更新粒子的最优位置;
t=t+1;
End While;
输出最优值结果。
综上可见,本发明提供的基于量子粒子群优化算法的分子对接计算方法与现在技术相比具有如下显著的效果:
1、步骤简单,控制参数少,求解容易;
2、将Solis and Wets(SW)局部搜索引入到量子粒子群优化(QPSO)算法,将改进后算法称之为QPSO-ls算法,使得在优化过程中提高了种群的多样,同时改善量子粒子群算法容易陷入局部最优的缺点。
下面结合实验数据说明QPSO-ls算法的优势。
需要说明的是,表1是采用的测试集;表2是三种对接算法(QPSO-ls,QPSO和LGA)在测试集上对接结果的比较。
评估对接精度采用RMSD(root mean square deviation)的值作为评测标准,具体计算公式如下:
其中N是分子中原子的总数,δ是每对原子之间的距离。
均方根偏差RMSD是配体的原始构象与实验所得构象之间的位移,它表明了配体构象的位置变化的剧烈程度,RMSD的值越低也就意味着所得构象与原始构象接近。RMSD的截断半径设为即在对接中,以认为是正确的对接。
表1对接实验使用的蛋白质-配体
表2三种对接算法在测试集上对接结果的比较
需要说明的是,被认为是成功的对接结果;被认为是优秀的对接结果。
为了证明QPSO-ls算法的优越性,我们将QPSO-ls算法的优化结果和AutoDock官方LGA算法进行了比较,从表2中可以看出,在23对复合物中,QPSO-ls在19对复合物中获得了最低的能量。对于旋转矩>10的高柔性配体,QPSO-ls搜索出来的能量值要比LGA算法得到的值低的多,除了复合物2ifb和plm外。就RMSD的值来看,除了1apu外,QPSO-ls所获得的RMSD值均小于LGA获得的RMSD值。对于低柔性的复合物,三种算法在对接能量和RMSD值的差异并不是很明显。这一结果也说明了算法QPSO-ls更适合用于高柔性的分子对接。
通常来说,就分子间能量Einter和分子内能量Eintra来说,人们更希望有更小的分子内能量,这样说明有一个更好的配体的构像位。从这方面来说,从表2中也可以发现,QPSO-ls更适合用于高柔性配体的对接。
下面结合图3至图5对本发明提供的基于量子粒子群优化算法的分子对接计算方法的实验结果进行对比说明。
图3为三种对接程序在进行蛋白质-配体对接时得到的RMSD值。
这里如果则认为是正确的结合模式。如图所示,QPSO-ls算法预测的蛋白质-配体的正确率为74%,QPSO算法的成功率为52%,Autodock中LGA算法的成功率为61%。在23个测试例子中,其中有12个测试例子,QPSO-ls算法取得了最低的RMSD的值。这表明了QPSO-ls算法的优越的采样率。
通过配体柔性来比较算法的对接性能,我们将研究的复合物根据配体的旋转矩分为两类,当旋转矩大于5的时候,我们认为该配体为高柔性配体。如表2中所列出,QPSO-ls算法预测的高柔性配体的平均RMSD的值为QPSO和LGA对接程序得到的平均RMSD的值为和这里我们可以发现,尤其是旋转矩大于10的测试例子中,QPSO-ls算法均能取得较好的结果。这也说明了QPSO-ls算法更适合应用于高维搜索空间。
图4a至图4d显示了3种算法中对接最好的对接能的收敛曲线。在1aaq中,配体psi有20个旋转矩,搜索空间为27维。在QPSO-ls算法中,获得的最低能量值为-17.14kcal/mol,RMSD的值为相比较于该算法,QPSO搜索得到的最低能量值为10.63kcal/mol,RMSD为LGA算法得到的最低能量值为-8.82kcal/mol,RMSD的值为QPSO-ls在140,000迭代步左右搜索得到较低的结合能,而LGA算法则是在150,000迭代步才发现较低的结合能。这显示了QPSO-ls有较好的收敛性能。
对于低柔性配体复合物,三种算法则表现出类似性,都可以快速收敛到较低的能量值。对于复合物1abf/fca,在大约70000迭代步之后可以收敛并且保持稳定。在其他较低柔性配体的对接中,也有类似的结果。
图5a至图5c为三种对接算法的对接展示。其中:所对应的的受体蛋白分别是1aaq,1hvr和1abf,对应的算法分别是:(a)QPSO-ls算法.(b)QPSO算法.(c)LGA算法。
在图5a的1aaq(a)中,显示的是1aaq/psi蛋白质-配体的对接,图中显示了QPSO-ls算法能够提供一个有效的对接结果。对接状态的三维显示中,可以发现QPSO和LGA均不能达到正确的对接位置。如图5a中1aaq(b)和(c)中显示,psi的原子环的位置没有准确定位。仅仅QPSO-ls发现了该原子环的合适位置,对应的RMSD的值为在图5c的fca对接到1abf的活性位点中,将算法对接的结合位置与其X-射线晶体结构进行叠加,QPSO-ls算法、QPSO和LGA对应的RMSD的值分别为和对于测试例1hvr,三种搜索算法对应的RMSD的值为和从对接准确度的比较来看,QPSO-ls也是更适合处理较复杂的对接问题。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述基于量子粒子群优化算法的分子对接计算方法包括:
获取蛋白质PDB文件;
对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件;
对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理;
设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接;
输出对接结果。
2.根据权利要求1所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述对所述蛋白质PDB文件进行预处理得到蛋白质受体文件与蛋白质配体文件包括:
对所述蛋白质PDB文件进行预处理得到蛋白质受体文件:
对所述蛋白质PDB文件中不属于结合位点的水分子和金属离子进行去除;
修复所述蛋白质PDB文件中的缺失原子的残基;
向所述蛋白质PDB文件中添加氢原子,分配电荷,合并非极性氢原子;
保存修改后的所述蛋白质PDB文件,获得所述蛋白质受体文件;
对所述蛋白质PDB文件进行预处理得到蛋白质配体文件:
从所述蛋白质PDB文件中抽取蛋白质配体原子的坐标;
给所述蛋白质配体原子添加氢原子,并分配电荷;
定义蛋白质配体的刚性根和扭转距;
获得蛋白质配体。
3.根据权利要求1所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述对所述蛋白质受体文件与蛋白质配体文件进行格点对接预处理包括:
将所述蛋白质配体放置到格点对接盒子;
设置参数,运行格点对接程序进行格点对接。
4.根据权利要求3所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述格点对接盒子包括能够容纳整个所述蛋白质配体以及蛋白质的空间。
5.根据权利要求4所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述格点对接盒子的中心放置在所述蛋白质配体的晶体结构的中心位置。
6.根据权利要求1所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述设置格点对接参数,并选取对接算法运行分子对接程序进行分子对接包括:
选取基于量子粒子群优化算法和Solis and Wets混合构象搜索算法。
7.根据权利要求6所述的基于量子粒子群优化算法的分子对接计算方法,其特征在于,所述基于量子粒子群优化算法包括:
随机初始化粒子群中所有粒子的位置,生成初始化种群;
计算初始对接能量值;
采用Solis and Wets混合构象搜索算法进行算法迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009258.2A CN109255427A (zh) | 2018-08-30 | 2018-08-30 | 一种基于量子粒子群优化算法的分子对接计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009258.2A CN109255427A (zh) | 2018-08-30 | 2018-08-30 | 一种基于量子粒子群优化算法的分子对接计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255427A true CN109255427A (zh) | 2019-01-22 |
Family
ID=65049885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009258.2A Pending CN109255427A (zh) | 2018-08-30 | 2018-08-30 | 一种基于量子粒子群优化算法的分子对接计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255427A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197700A (zh) * | 2019-04-16 | 2019-09-03 | 浙江工业大学 | 一种基于差分进化的蛋白质atp对接方法 |
CN110459263A (zh) * | 2019-06-27 | 2019-11-15 | 青岛海洋科学与技术国家实验室发展中心 | 一种基于bfgs算法的计算机药物筛选方法 |
CN111180005A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于小生境重采样的多模态蛋白质结构预测方法 |
CN111292812A (zh) * | 2020-01-21 | 2020-06-16 | 中国医学科学院基础医学研究所 | 一种研究蛋白质及药物-蛋白质复合体构象多态性的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886225A (zh) * | 2012-12-21 | 2014-06-25 | 中国科学院大连化学物理研究所 | 基于可极化力场以及pso优化的蛋白质设计方法 |
EP3027773A1 (en) * | 2013-07-30 | 2016-06-08 | President and Fellows of Harvard College | Quantitative dna-based imaging and super-resolution imaging |
CN107301327A (zh) * | 2017-05-17 | 2017-10-27 | 华南理工大学 | 一种使用计算机模拟金属配合物与dna相互作用的方法 |
-
2018
- 2018-08-30 CN CN201811009258.2A patent/CN109255427A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886225A (zh) * | 2012-12-21 | 2014-06-25 | 中国科学院大连化学物理研究所 | 基于可极化力场以及pso优化的蛋白质设计方法 |
EP3027773A1 (en) * | 2013-07-30 | 2016-06-08 | President and Fellows of Harvard College | Quantitative dna-based imaging and super-resolution imaging |
CN107301327A (zh) * | 2017-05-17 | 2017-10-27 | 华南理工大学 | 一种使用计算机模拟金属配合物与dna相互作用的方法 |
Non-Patent Citations (1)
Title |
---|
赵琦: "《基于分子对接技术的小分子—蛋白质相互作用研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197700A (zh) * | 2019-04-16 | 2019-09-03 | 浙江工业大学 | 一种基于差分进化的蛋白质atp对接方法 |
CN110197700B (zh) * | 2019-04-16 | 2021-04-06 | 浙江工业大学 | 一种基于差分进化的蛋白质atp对接方法 |
CN110459263A (zh) * | 2019-06-27 | 2019-11-15 | 青岛海洋科学与技术国家实验室发展中心 | 一种基于bfgs算法的计算机药物筛选方法 |
CN111180005A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于小生境重采样的多模态蛋白质结构预测方法 |
CN111180005B (zh) * | 2019-11-29 | 2021-08-03 | 浙江工业大学 | 一种基于小生境重采样的多模态蛋白质结构预测方法 |
CN111292812A (zh) * | 2020-01-21 | 2020-06-16 | 中国医学科学院基础医学研究所 | 一种研究蛋白质及药物-蛋白质复合体构象多态性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255427A (zh) | 一种基于量子粒子群优化算法的分子对接计算方法 | |
CN106945041B (zh) | 一种冗余度机械臂重复运动规划方法 | |
Nedelec et al. | Collective Langevin dynamics of flexible cytoskeletal fibers | |
WO2023134063A1 (zh) | 基于对比学习的药物分子性质预测方法、装置及设备 | |
EP1510943A1 (en) | Interaction predicting device | |
WO2009064779A2 (en) | Tiled projections for planar processing of round earth data | |
Lijnzaad et al. | A method for detecting hydrophobic patches on protein surfaces | |
Van Den Bedem et al. | Real-space protein-model completion: an inverse-kinematics approach | |
Suh et al. | Tangent space RRT: A randomized planning algorithm on constraint manifolds | |
CN102393826B (zh) | 一种基于多核并行处理的柔性场景连续碰撞检测方法 | |
Csizi et al. | Universal QM/MM approaches for general nanoscale applications | |
Sorzano et al. | StructMap: elastic distance analysis of electron microscopy maps for studying conformational changes | |
Li et al. | Geometry-driven deterministic sampling for nonlinear bingham filtering | |
CN110459263A (zh) | 一种基于bfgs算法的计算机药物筛选方法 | |
CN111783278A (zh) | 基于多模态分布估计算法的卫星布局优化设计方法 | |
Hoque et al. | Genetic algorithm in ab initio protein structure prediction using low resolution model: A review | |
CN113808683A (zh) | 基于受体和配体的药物虚拟筛选的方法及系统 | |
Amat et al. | Alignment of cryo-electron tomography datasets | |
Crippen | Chemical distance geometry: current realization and future projection | |
Wang et al. | Robust pose graph optimization using stochastic gradient descent | |
CN115691704A (zh) | 分子生成方法、装置、分子设计方法、装置和电子设备 | |
CN109816748A (zh) | 一种确定三角形格网的离散线的方法和装置 | |
Torras et al. | Massive quantum regions for simulations on bio-nanomaterials: synthetic ferritin nanocages | |
Lenhof | New contact measures for the protein docking problem | |
Zhou et al. | Prediction of anti-EGFR drug resistance base on binding free energy and hydrogen bond analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190122 |
|
WD01 | Invention patent application deemed withdrawn after publication |