CN109256177B - 一种基于子种群协同进化的蛋白质结构预测方法 - Google Patents

一种基于子种群协同进化的蛋白质结构预测方法 Download PDF

Info

Publication number
CN109256177B
CN109256177B CN201810762887.6A CN201810762887A CN109256177B CN 109256177 B CN109256177 B CN 109256177B CN 201810762887 A CN201810762887 A CN 201810762887A CN 109256177 B CN109256177 B CN 109256177B
Authority
CN
China
Prior art keywords
sub
conformation
population
conformational
populations
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
Application number
CN201810762887.6A
Other languages
English (en)
Other versions
CN109256177A (zh
Inventor
周晓根
张贵军
彭春祥
胡俊
刘俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810762887.6A priority Critical patent/CN109256177B/zh
Publication of CN109256177A publication Critical patent/CN109256177A/zh
Application granted granted Critical
Publication of CN109256177B publication Critical patent/CN109256177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于子种群协同进化的蛋白质结构预测方法,首先,将整个种群划分成多个规模相等的子种群;然后,针对第一个子种群,从其余不同的子种群中选择构象进行变异;针对第二个子种群,选择目标构象所在的子种群中的最优构象以及其余子种群中的构象进行变异;针对第三个子种群,选择整个种群中的最优构象以及其余子种群中的构象进行变异;针对其余子种群,从目标构象所在的子种群中以及其余子种群中选择构象进行变异;最后,根据玻尔兹曼概率对测试构象进行更新。本发明提供一种预测精度和搜索效率均较高的基于子种群协同进化的蛋白质结构预测方法。

Description

一种基于子种群协同进化的蛋白质结构预测方法
技术领域
本发明涉及一种生物学信息学、智能优化、计算机应用领域,尤其涉及的是,一种基于子种群协同进化的蛋白质结构预测方法。
背景技术
生物细胞中包含许多由20多种氨基酸所形成的长链折叠而成的蛋白质。DNA以三个核苷酸为一组的密码子转译为蛋白质的氨基酸序列,相对于第一遗传密码,蛋白质序列一级结构与其三级结构之间的对应关系(即第二遗传密码或称折叠密码)仍为未解之谜。然而,蛋白质三级结构折叠错误,会导致糖尿病、白内障、老年痴呆等蛋白质折叠病。因此,知道对应的蛋白质三维结构,是实现这些蛋白质折叠病治疗的先决条件。
目前,测定蛋白质三维结构的实验方法主要包括X射线晶体衍射和多维核磁共振(NMR)。X射线晶体衍射是目前测定蛋白质结构最有效的方法,所达到的精度是其它方法所不能比拟的,主要缺点是蛋白质晶体难以培养且晶体结构测定的周期较长;NMR方法可以直接测定蛋白质在溶液中的构象,但是对样品的需要量大、纯度要求高,目前只能测定小分子蛋白质。其次,这些实验测定方法价格昂贵,测定一个蛋白质的三维结构需要几十万美元,然而,测定一个蛋白质的一级氨基酸序列仅需1000美元左右,从而导致蛋白质序列和三维结构测定之间的鸿沟越来越大。因此,如何以计算机为工具,运用适当的算法,从氨基酸序列出发直接预测蛋白质的三维结构,成为当前生物信息学中一种重要的研究课题。
构象空间优化(或称采样)方法是目前制约蛋白质结构从头预测精度最关键的因素之一。进化算法(Evolution Algorithm,EA)是研究蛋白质分子构象优化的一类重要方法,主要包括遗传算法(Genetic Algorithms,GA)、差分进化算法(DifferentialEvolution,DE)及分布估计算法(Estimation of Distribution Algorithm,EDA)。DE算法自1995年由Price和Storn提出以来,在蛋白质构象空间优化领域有了广泛的应用。Shehu研究小组基于DE算法,提出一系列有效的蛋白质构象空间优化方法,如多尺度混合进化算法HEA,多目标构象空间优化方法MOEA,基于数据驱动的蛋白质能量空间映射方法PCA-EA等。在DE算法的框架下,张贵军课题组提出了基于抽象凸内核空间引导的构象优化方法和基于片段结构谱知识引导的构象优化方法。然而,在上述优化方法中,由于算法的贪婪性,种群多样性较低,从而导致算法陷入局部最优而影响预测精度;其次,后期收敛速度较慢,从而导致构象搜索效率较低。
因此,现有的构象空间优化方法在预测精度和搜索效率方面存在着缺陷,需要改进。
发明内容
为了克服现有蛋白质构象空间优化方法的预测精度和搜索效率较低的不足,本发明提出一种预测精度和搜索效率均较高的基于子种群协同进化的蛋白质结构预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于子种群协同进化的蛋白质结构预测方法,所述方法包括以下步骤:
1)输入待测蛋白质的序列信息,并从ROBETTA服务器(http://www.robetta.org/)上得到片段库;
2)参数设置:设置种群规模NP,子种群数量N,交叉概率CR,片段长度l,温度因子KT,最大迭代次数Gmax,并初始化迭代次数g=0;
3)从对各残基位对应的片段库中随机选择片段组装生成初始构象种群P={C1,C2,...,CNP},并将整个种群随机分成N个大小相等的子种群,其中,N≥4,Ci,i={1,2,…,NP}为种群P中的第i个构象个体;
4)对种群中的每个构象Ci,i∈{1,2,…,NP}作如下处理:
4.1)如果构象Ci属于第一个子种群,则进行如下操作:
4.1.1)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Ca
4.1.2)从其余N-2个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cb
4.1.3)分别从构象个体Ca和Cb中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.2)如果构象Ci属于第二个子种群,则进行如下操作:
4.2.1)根据Rosetta score3能量函数计算构象Ci所属的子种群的中的每个构象的能量,并选择能量最低的构象记作Clbest
4.2.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cc
4.2.3)分别从构象个体Clbest和Cc中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.3)如果构象Ci属于第三个子种群,则进行如下操作:
4.3.1)根据Rosetta score3能量函数计算整个种群中每个构象个体的能量,并按照能量从低到高进行排序;
4.3.2)从排名靠前的NP/5种群中随机选择一个构象个体记作Cpbest
4.3.3)从构象Ci所属的子种群中随机选择一个与Ci和Cpbest均不相同的构象个体Cd
4.3.4)分别从构象个体Cpbest和Cd中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.4)如果构象Ci属于其余N-3个子种群,则进行如下操作:
4.4.1)从构象Ci所属的子种群中随机选择一个与Ci不同的构象Ce
4.4.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cf
4.4.3)分别从构象个体Ce和Cf中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.5)随机生成一个0和1之间的小数R,如果R<CR,则从构象Ci中随机选取一个长度为l的片段替换变异构象Cmutant中对应位置的片段,并进行一次随机片段组装,从而生成测试构象Ctrial,否则直接将变异构象进行一次随机片段组装生成测试构象Ctrial
4.6)根据Rosetta score3能量函数分别计算测试构象Ctrial和Ci的能量值,如果Ctrial的能量值小于Ci的能量值,则Ctrial替换Ci,否则根据玻尔兹曼概率
Figure BDA0001728294200000031
接受Ctrial,其中ΔE为Ctrial的能量值与Ci的能量值误差的绝对值;
5)g=g+1,如果g>Gmax,则输出能量最低的构象作为最终预测结构,否则返回步骤4)。
本发明的技术构思为:首先,将整个种群划分成多个规模相等的子种群;然后,针对第一个子种群,从其余不同的子种群中选择构象进行变异;针对第二个子种群,选择目标构象所在的子种群中的最优构象以及其余子种群中的构象进行变异;针对第三个子种群,选择整个种群中的最优构象以及其余子种群中的构象进行变异;针对其余子种群,从目标构象所在的子种群中以及其余子种群中选择构象进行变异;最后,根据玻尔兹曼概率对测试构象进行更新。本发明提供一种预测精度和搜索效率均较高的基于子种群协同进化的蛋白质结构预测方法。
本发明的有益效果表现在:针对不同的子种群,通过各子种群中的协同合作进行变异策略,提高种群的多样性,避免陷入局部最优,提高预测精度,同时提高搜索效率。
附图说明
图1是基于子种群协同进化的蛋白质结构预测方法对蛋白质2MQK进行结构预测时的构象更新示意图。
图2是基于子种群协同进化的蛋白质结构预测方法对蛋白质2MQK进行结构预测时得到的构象分布图。
图3是基于子种群协同进化的蛋白质结构预测方法对蛋白质2MQK进行结构预测得到的三维结构图。
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~图3,一种基于子种群协同进化的蛋白质结构预测方法,包括以下步骤:
1)输入待测蛋白质的序列信息,并从ROBETTA服务器(http://www.robetta.org/)上得到片段库;
2)参数设置:设置种群规模NP,子种群数量N,交叉概率CR,片段长度l,温度因子KT,最大迭代次数Gmax,并初始化迭代次数g=0;
3)从对各残基位对应的片段库中随机选择片段组装生成初始构象种群P={C1,C2,...,CNP},并将整个种群随机分成N个大小相等的子种群,其中,N≥4,Ci,i={1,2,…,NP}为种群P中的第i个构象个体;
4)对种群中的每个构象Ci,i∈{1,2,…,NP}作如下处理:
4.1)如果构象Ci属于第一个子种群,则进行如下操作:
4.1.1)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Ca
4.1.2)从其余N-2个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cb
4.1.3)分别从构象个体Ca和Cb中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.2)如果构象Ci属于第二个子种群,则进行如下操作:
4.2.1)根据Rosetta score3能量函数计算构象Ci所属的子种群的中的每个构象的能量,并选择能量最低的构象记作Clbest
4.2.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cc
4.2.3)分别从构象个体Clbest和Cc中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.3)如果构象Ci属于第三个子种群,则进行如下操作:
4.3.1)根据Rosetta score3能量函数计算整个种群中每个构象个体的能量,并按照能量从低到高进行排序;
4.3.2)从排名靠前的NP/5种群中随机选择一个构象个体记作Cpbest
4.3.3)从构象Ci所属的子种群中随机选择一个与Ci和Cpbest均不相同的构象个体Cd
4.3.4)分别从构象个体Cpbest和Cd中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.4)如果构象Ci属于其余N-3个子种群,则进行如下操作:
4.4.1)从构象Ci所属的子种群中随机选择一个与Ci不同的构象Ce
4.4.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cf
4.4.3)分别从构象个体Ce和Cf中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.5)随机生成一个0和1之间的小数R,如果R<CR,则从构象Ci中随机选取一个长度为l的片段替换变异构象Cmutant中对应位置的片段,并进行一次随机片段组装,从而生成测试构象Ctrial,否则直接将变异构象进行一次随机片段组装生成测试构象Ctrial
4.6)根据Rosetta score3能量函数分别计算测试构象Ctrial和Ci的能量值,如果Ctrial的能量值小于Ci的能量值,则Ctrial替换Ci,否则根据玻尔兹曼概率
Figure BDA0001728294200000061
接受Ctrial,其中ΔE为Ctrial的能量值与Ci的能量值误差的绝对值;
5)g=g+1,如果g>Gmax,则输出能量最低的构象作为最终预测结构,否则返回步骤4)。
本实施例序列长度为65的α折叠蛋白质2MQK为实施例,一种基于子种群协同进化的蛋白质结构预测方法,其中包含以下步骤:
1)输入待测蛋白质的序列信息,并从ROBETTA服务器(http://www.robetta.org/)上得到片段库;
2)参数设置:设置种群规模NP=100,子种群数量N=5,交叉概率CR=0.5,片段长度l=9,温度因子KT=2,最大迭代次数Gmax=1000,并初始化迭代次数g=0;
3)从对各残基位对应的片段库中随机选择片段组装生成初始构象种群P={C1,C2,...,CNP},并将整个种群随机分成N个大小相等的子种群,其中,Ci,i={1,2,…,NP}为种群P中的第i个构象个体;
4)对种群中的每个构象Ci,i∈{1,2,…,NP}作如下处理:
4.1)如果构象Ci属于第一个子种群,则进行如下操作:
4.1.1)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Ca
4.1.2)从其余N-2个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cb
4.1.3)分别从构象个体Ca和Cb中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.2)如果构象Ci属于第二个子种群,则进行如下操作:
4.2.1)根据Rosetta score3能量函数计算构象Ci所属的子种群的中的每个构象的能量,并选择能量最低的构象记作Clbest
4.2.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cc
4.2.3)分别从构象个体Clbest和Cc中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.3)如果构象Ci属于第三个子种群,则进行如下操作:
4.3.1)根据Rosetta score3能量函数计算整个种群中每个构象个体的能量,并按照能量从低到高进行排序;
4.3.2)从排名靠前的NP/5种群中随机选择一个构象个体记作Cpbest
4.3.3)从构象Ci所属的子种群中随机选择一个与Ci和Cpbest均不相同的构象个体Cd
4.3.4)分别从构象个体Cpbest和Cd中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.4)如果构象Ci属于其余N-3个子种群,则进行如下操作:
4.4.1)从构象Ci所属的子种群中随机选择一个与Ci不同的构象Ce
4.4.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cf
4.4.3)分别从构象个体Ce和Cf中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.5)随机生成一个0和1之间的小数R,如果R<CR,则从构象Ci中随机选取一个长度为l的片段替换变异构象Cmutant中对应位置的片段,并进行一次随机片段组装,从而生成测试构象Ctrial,否则直接将变异构象进行一次随机片段组装生成测试构象Ctrial
4.6)根据Rosetta score3能量函数分别计算测试构象Ctrial和Ci的能量值,如果Ctrial的能量值小于Ci的能量值,则Ctrial替换Ci,否则根据玻尔兹曼概率
Figure BDA0001728294200000081
接受Ctrial,其中ΔE为Ctrial的能量值与Ci的能量值误差的绝对值;
5)g=g+1,如果g>Gmax,则输出能量最低的构象作为最终预测结构,否则返回步骤4)。
以序列长度为65的α折叠蛋白质2MQK为实施例,运用以上方法得到了该蛋白质的近天然态构象,最小均方根偏差为
Figure BDA0001728294200000082
平均均方根偏差为
Figure BDA0001728294200000083
预测结构如图3所示。
以上说明是本发明以蛋白质2MQK为实例所得出的预测结果,并非限定本发明的实施范围,在不偏离本发明基本内容所涉及范围的前提下对其做各种变形和改进,不应排除在本发明的保护范围之外。

Claims (1)

1.一种基于子种群协同进化的蛋白质结构预测方法,其特征在于:所述方法包括以下步骤:
1)输入待测蛋白质的序列信息,并从ROBETTA服务器上得到片段库;
2)参数设置:设置种群规模NP,子种群数量N,交叉概率CR,片段长度l,温度因子KT,最大迭代次数Gmax,并初始化迭代次数g=0;
3)从对各残基位对应的片段库中随机选择片段组装生成初始构象种群P={C1,C2,...,CNP},并将整个种群随机分成N个大小相等的子种群,其中,N≥4,Ci,i={1,2,…,NP}为种群P中的第i个构象个体;
4)对种群中的每个构象Ci,i∈{1,2,…,NP}作如下处理:
4.1)如果构象Ci属于第一个子种群,则进行如下操作:
4.1.1)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Ca
4.1.2)从其余N-2个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cb
4.1.3)分别从构象个体Ca和Cb中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.2)如果构象Ci属于第二个子种群,则进行如下操作:
4.2.1)根据Rosetta score3能量函数计算构象Ci所属的子种群中的每个构象的能量,并选择能量最低的构象记作Clbest
4.2.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cc
4.2.3)分别从构象个体Clbest和Cc中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.3)如果构象Ci属于第三个子种群,则进行如下操作:
4.3.1)根据Rosetta score3能量函数计算整个种群中每个构象个体的能量,并按照能量从低到高进行排序;
4.3.2)从排名靠前的NP/5种群中随机选择一个构象个体记作Cpbest
4.3.3)从构象Ci所属的子种群中随机选择一个与Ci和Cpbest均不相同的构象个体Cd
4.3.4)分别从构象个体Cpbest和Cd中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.4)如果构象Ci属于其余N-3个子种群,则进行如下操作:
4.4.1)从构象Ci所属的子种群中随机选择一个与Ci不同的构象Ce
4.4.2)从其余N-1个子种群中随机选择一个子种群,并从该子种群中随机选择一个构象个体Cf
4.4.3)分别从构象个体Ce和Cf中随机选择两个残基位不同的且长度为l的片段替换构象Ci对应位置的片段,生成变异构象个体Cmutant
4.5)随机生成一个0和1之间的小数R,如果R<CR,则从构象Ci中随机选取一个长度为l的片段替换变异构象Cmutant中对应位置的片段,并进行一次随机片段组装,从而生成测试构象Ctrial,否则直接将变异构象进行一次随机片段组装生成测试构象Ctrial
4.6)根据Rosetta score3能量函数分别计算测试构象Ctrial和Ci的能量值,如果Ctrial的能量值小于Ci的能量值,则Ctrial替换Ci,否则根据玻尔兹曼概率
Figure FDA0001728294190000021
接受Ctrial,其中ΔE为Ctrial的能量值与Ci的能量值误差的绝对值;
5)g=g+1,如果g>Gmax,则输出能量最低的构象作为最终预测结构,否则返回步骤4)。
CN201810762887.6A 2018-07-12 2018-07-12 一种基于子种群协同进化的蛋白质结构预测方法 Active CN109256177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810762887.6A CN109256177B (zh) 2018-07-12 2018-07-12 一种基于子种群协同进化的蛋白质结构预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810762887.6A CN109256177B (zh) 2018-07-12 2018-07-12 一种基于子种群协同进化的蛋白质结构预测方法

Publications (2)

Publication Number Publication Date
CN109256177A CN109256177A (zh) 2019-01-22
CN109256177B true CN109256177B (zh) 2021-04-06

Family

ID=65051426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810762887.6A Active CN109256177B (zh) 2018-07-12 2018-07-12 一种基于子种群协同进化的蛋白质结构预测方法

Country Status (1)

Country Link
CN (1) CN109256177B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778059A (zh) * 2016-12-19 2017-05-31 浙江工业大学 一种基于Rosetta局部增强的群体蛋白质结构预测方法
CN107122623A (zh) * 2017-03-29 2017-09-01 大连大学 基于随机分形搜索算法的蛋白质结构预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778059A (zh) * 2016-12-19 2017-05-31 浙江工业大学 一种基于Rosetta局部增强的群体蛋白质结构预测方法
CN107122623A (zh) * 2017-03-29 2017-09-01 大连大学 基于随机分形搜索算法的蛋白质结构预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Conformational Space Sampling Method Using Multi-Subpopulation Differential Evolution for De novo Protein Structure Prediction》;Xiao-Hu Hao等;《IEEE TRANSACTIONS ON NANOBIOSCIENCE》;20171031;第16卷(第7期);全文 *
《Protein structure prediction using diversity controlled self-adaptive differential evolution with local search》;S. Sudha等;《Soft Computing》;20140706;全文 *
《进化策略的一种改进及其在蛋白质结构预测中的应用》;张红娟等;《计算机与应用化学》;20051228;第22卷(第12期);全文 *

Also Published As

Publication number Publication date
CN109256177A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
AU2017338775B2 (en) Phenotype/disease specific gene ranking using curated, gene library and network based data structures
CN107609342B (zh) 一种基于二级结构空间距离约束的蛋白质构象搜索方法
CN109448784B (zh) 一种基于二面角信息辅助能量函数选择的蛋白质结构预测方法
CN109524058B (zh) 一种基于差分进化的蛋白质二聚体结构预测方法
CN108846256B (zh) 一种基于残基接触信息的群体蛋白质结构预测方法
CN109215732B (zh) 一种基于残基接触信息自学习的蛋白质结构预测方法
CN109086566B (zh) 一种基于片段重采样的群体蛋白质结构预测方法
Khalili et al. Predicting protein phosphorylation sites in soybean using interpretable deep tabular learning network
CN109360597B (zh) 一种基于全局和局部策略协作的群体蛋白质结构预测方法
CN108920894B (zh) 一种基于简约抽象凸估计的蛋白质构象空间优化方法
Saraswathi et al. Fast learning optimized prediction methodology (FLOPRED) for protein secondary structure prediction
CN109256177B (zh) 一种基于子种群协同进化的蛋白质结构预测方法
CN109378034B (zh) 一种基于距离分布估计的蛋白质预测方法
Wong et al. A comparison study for DNA motif modeling on protein binding microarray
CN109147867B (zh) 一种基于动态片段长度的群体蛋白质结构预测方法
CN109411013B (zh) 一种基于个体特定变异策略的群体蛋白质结构预测方法
CN108763860B (zh) 一种基于Loop信息采样的群体蛋白质构象空间优化方法
CN109390035B (zh) 一种基于局部结构比对的蛋白质构象空间优化方法
Guo et al. DAM: A Bayesian method for detecting genome-wide associations on multiple diseases
CN109326318B (zh) 一种基于Loop区域高斯扰动的群体蛋白质结构预测方法
Mahoney et al. Evaluation of sex-aware PrediXcan models for predicting gene expression
CN109448785B (zh) 一种使用拉氏图增强Loop区域结构的蛋白质结构预测方法
CN109300503B (zh) 一种全局和局部下界估计协同的群体蛋白质结构预测方法
CN109243526B (zh) 一种基于特定片段交叉的蛋白质结构预测方法
CN109300505B (zh) 一种基于有偏采样的蛋白质结构预测方法

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
GR01 Patent grant
GR01 Patent grant