CN110189794A - 一种残基接触引导loop扰动的群体蛋白质结构预测方法 - Google Patents
一种残基接触引导loop扰动的群体蛋白质结构预测方法 Download PDFInfo
- Publication number
- CN110189794A CN110189794A CN201910302618.6A CN201910302618A CN110189794A CN 110189794 A CN110189794 A CN 110189794A CN 201910302618 A CN201910302618 A CN 201910302618A CN 110189794 A CN110189794 A CN 110189794A
- Authority
- CN
- China
- Prior art keywords
- conformation
- residue
- fragment
- population
- contact
- 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
- 238000000034 method Methods 0.000 title claims description 37
- 238000000455 protein structure prediction Methods 0.000 title abstract description 11
- 230000006798 recombination Effects 0.000 claims abstract description 10
- 238000005215 recombination Methods 0.000 claims abstract description 10
- 239000012634 fragment Substances 0.000 claims description 57
- 108090000623 proteins and genes Proteins 0.000 claims description 33
- 102000004169 proteins and genes Human genes 0.000 claims description 33
- 238000004806 packaging method and process Methods 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008827 biological function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000012846 protein folding Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002884 conformational search Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000002424 x-ray crystallography Methods 0.000 description 1
Classifications
-
- 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
- G16B15/20—Protein or domain folding
Landscapes
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种残基接触引导loop扰动的群体蛋白质结构预测方法，首先，采用片段重组和片段组装策略，广泛的搜索构象空间；然后，利用预测的残基接触图实时构建loop区域扰动模型，利用差分进化算法快速求解扰动量，生成结构多样化的候选构象，进一步改善二级结构间的位置关系；最终，提高整体结构的精度和效率。本发明提供一种预测精度较高的残基接触引导loop扰动的群体蛋白质结构预测方法。
Description
技术领域
本发明涉及生物信息学、计算机应用领域，尤其涉及的是一种残基接触引导loop扰动的群体蛋白质结构预测方法。
背景技术
蛋白质是生命活动功能的执行者，从新陈代谢到疾病免疫，都离不开蛋白质的作用。蛋白质拥有复杂的结构，具有完整一级结构的多肽或蛋白质,只有当其折叠形成正确的三维结构才能具有正常的生物学功能。然而，蛋白质折叠成复杂的空间结构并不是那么容易，常常伴随着错误折叠。错误折叠的蛋白质不仅丧失了生物学功能，还会引起疾病，疯牛病、老年痴呆症、帕金森病等疾就是因为蛋白质错误折叠引起的。因此高效获取蛋白质结构对于了解其生物功能、相关疾病的药物研发是非常关键的。
目前，主要是通过实验测定的方法获取蛋白质三维结构。实验测定蛋白质结构的方法主要包括X射线晶体衍射、核磁共振、冷冻电镜技术。这类方法十分复杂，所需的时间成本和资金投入极高，并且不能适用于所有类型的蛋白质。
已知蛋白质结构中蕴含着大量的有效信息，随着信息处理技术的快速发展这些信息不断被挖掘，这使得利用计算机模拟蛋白质折叠过程、预测蛋白质三维结构成为可能。全世界范围内有许多研究机构致力于研究利用生物大数据、人工智能、系统优化技术预测蛋白质三维结构，并逐渐应用于疾病诊断和药物设计，其中具有代表性的研究团队有美国华盛顿的David Baker实验室、美国密歇根大学的张阳实验室等。国内越来越多的高校和研究机构也加入到蛋白质结构预测的研究当中。
蛋白质结构中的loop区域连接着α螺旋和β折叠区域，结构十分灵活。Loop区域微小的变动有可能会造成整体结构大的变动。目前的蛋白质结构预测方法对loop区域的探索能力不够强，并且片段库在有效减小构象搜索空间的同时有可能没有覆盖到某些重要的区域，导致无法搜索到正确的结构。
因此，目前的蛋白质结构预测方法对loop区域的搜索能力不足，并且受到片段库的约束，需要改进。
发明内容
为了解决现有的蛋白质结构预测方法对loop区域探索能力不足导致整体结构精度不高的问题，本发明提出了一种残基接触引导loop扰动的群体蛋白质结构预测方法，增强对loop区域的探索，本发明提出的局部扰动策略能探索到片段库之外的构象空间，提高了loop区域结构的多样性，最终达到提整体结构精度的目的。
本发明解决其技术问题所采用的技术方案是：
一种残基接触引导loop扰动的群体蛋白质结构预测方法，包括以下步骤：
1)输入预测蛋白质的目标序列、9残基片段库和预测的残基接触图；
2)设置参数：种群规模NP、迭代次数G；
3)种群初始化：随机选择目标序列的滑动窗口进行片段组装，直至所有残基都至少被替换过一次，迭代此过程生成初始种群P＝{P1,P2,...,PNP}，其中Pn表示种群P中的第n个蛋白质构象，n∈{1,2,...,NP}；
4)设g＝1，其中g∈{1,2,...,G}；
5)设n＝1，其中n∈{1,2,...,NP}；
6)片段重组，过程如下：
6.1)从种群P中随机选择三个互异且不同于目标构象Pn的构象Pr1、Pr2和Pr3；
6.2)从构象Pn、Pr1和Pr2中随机选择三个不同位置的片段f1、f2和f3，片段长度为9；
6.3)用片段f1、f2和f3替换构象Pr3中相应位置的片段，生成重组构象P′；
7)片段组装，过程如下：
7.1)从重组构象P′中随机选择一个窗口宽度为9的滑动窗口Wf；
7.2)从滑动窗口Wf相应的片段库中随机选择一个片段替换原有片段，生成构象P″；
7.3)利用Rosetta score3能量函数计算构象P′和P″的能量，并根据boltzmann准则决定片段组装是否成功；
7.4)若片段组装失败，转至步骤7.1)，重新进行片段组装；
8)基于loop区域的局部扰动，过程如下：
8.1)利用DSSP算法计算构象P″的二级结构，随机选择一个loop区域，记作[Lb,Le]，其中Lb和Le分别表示该loop区域的起始残基编号；将该loop区域两端连接的非loop二级结构区域记作[b1,e1]和[b2,e2]；
8.2)从预测的残基接触图中选取[b1,e1]和[b2,e2]间的接触对构建扰动模型：
其中R为接触对的数量，di r,j为残基对(i,j)之间的Cβ原子距离，pr为残基对(i,j)存在接触的概率，i∈{b1,b1+1,…,e1}、j∈{b2,b2+1,…,e2}，残基冲突阈值残基接触阈值
8.3)以[Lb,Le]中的二面角扰动量为变量，以最小化Cscore为目标，利用差分进化算法求解10组扰动量；其中和分别表示第l个残基的二面角和ψ上的扰动量，l∈{Lb,Lb+1,…,Le}；
8.4)用生成的10组扰动量分别对构象P″进行loop区域扰动，生成10个候选构象
9)构象更新，过程如下：
9.1)设i＝1，其中i∈{1,2,...,10}；
9.2)计算构象Pn和的能量，并根据boltzmann准则决定是否用替换Pn；
若替换成功，转至步骤10)；
9.3)i＝i+1；若i≤10，转至步骤9.2)；
10)n＝n+1；若n≤NP，转至步骤6)；
11)g＝g+1；若g≤G，转至步骤5)；
12)利用蛋白质结构聚类算法SPICKER对接收的构象进行聚类，以最大类的中
心作为预测结果。
本发明的有益效果为：首先采用片段重组和片段组装策略，广泛的搜索构象空间。然后利用预测的残基接触图实时构建loop区域扰动模型，利用差分进化算法快速求解扰动量，生成结构多样化的候选构象，进一步改善二级结构间的位置关系。最终，提高整体结构的精度和效率。
附图说明
图1是一种残基接触引导loop扰动的群体蛋白质结构预测方法对蛋白质1FCW进行结构预测时采样到的构象的RMSD分布图。
图2是一种残基接触引导loop扰动的群体蛋白质结构预测方法对蛋白质1FCW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和图2，一种残基接触引导loop扰动的群体蛋白质结构预测方法，包括以下步骤：
1)输入预测蛋白质的目标序列、9残基片段库和预测的残基接触图；
2)设置参数：种群规模NP、迭代次数G；
3)种群初始化：随机选择目标序列的滑动窗口进行片段组装，直至所有残基都至少被替换过一次，迭代此过程生成初始种群P＝{P1,P2,...,PNP}，其中Pn表示种群P中的第n个蛋白质构象，n∈{1,2,...,NP}；
4)设g＝1，其中g∈{1,2,...,G}；
5)设n＝1，其中n∈{1,2,...,NP}；
6)片段重组，过程如下：
6.1)从种群P中随机选择三个互异且不同于目标构象Pn的构象Pr1、Pr2和Pr3；
6.2)从构象Pn、Pr1和Pr2中随机选择三个不同位置的片段f1、f2和f3，片段长度为9；
6.3)用片段f1、f2和f3替换构象Pr3中相应位置的片段，生成重组构象P′；
7)片段组装，过程如下：
7.1)从重组构象P′中随机选择一个窗口宽度为9的滑动窗口Wf；
7.2)从滑动窗口Wf相应的片段库中随机选择一个片段替换原有片段，生成构象P″；
7.3)利用Rosetta score3能量函数计算构象P′和P″的能量，并根据boltzmann准则决定片段组装是否成功；
7.4)若片段组装失败，转至步骤7.1)，重新进行片段组装；
8)基于loop区域的局部扰动，过程如下：
8.1)利用DSSP算法计算构象P″的二级结构，随机选择一个loop区域，记作[Lb,Le]，其中Lb和Le分别表示该loop区域的起始残基编号；将该loop区域两端连接的非loop二级结构区域记作[b1,e1]和[b2,e2]；
8.2)从预测的残基接触图中选取[b1,e1]和[b2,e2]间的接触对构建扰动模型：
其中R为接触对的数量，为残基对(i,j)之间的Cβ原子距离，pr为残基对(i,j)存在接触的概率，i∈{b1,b1+1,…,e1}、j∈{b2,b2+1,…,e2}，残基冲突阈值残基接触阈值
8.3)以[Lb,Le]中的二面角扰动量为变量，以最小化Cscore为目标，利用差分进化算法求解10组扰动量；其中和分别表示第l个残基的二面角和ψ上的扰动量，l∈{Lb,Lb+1,…,Le}；
8.4)用生成的10组扰动量分别对构象P″进行loop区域扰动，生成10个候选构象
9)构象更新，过程如下：
9.1)设i＝1，其中i∈{1,2,...,10}；
9.2)计算构象Pn和的能量，并根据boltzmann准则决定是否用替换Pn；
若替换成功，转至步骤10)；
9.3)i＝i+1；若i≤10，转至步骤9.2)；
10)n＝n+1；若n≤NP，转至步骤6)；
11)g＝g+1；若g≤G，转至步骤5)；
12)利用蛋白质结构聚类算法SPICKER对接收的构象进行聚类，以最大类的中心作为预测结果。
本实施例以序列长度为106的蛋白质1FCW为实施例，一种残基接触引导loop扰动的群体蛋白质结构预测方法，包括以下步骤：
1)输入预测蛋白质的目标序列、9残基片段库和预测的残基接触图；
2)设置参数：种群规模NP＝200、迭代次数G＝500；
3)种群初始化：随机选择目标序列的滑动窗口进行片段组装，直至所有残基都至少被替换过一次，迭代此过程生成初始种群P＝{P1,P2,...,PNP}，其中Pn表示种群P中的第n个蛋白质构象，n∈{1,2,...,NP}；
4)设g＝1，其中g∈{1,2,...,G}；
5)设n＝1，其中n∈{1,2,...,NP}；
6)片段重组，过程如下：
6.1)从种群P中随机选择三个互异且不同于目标构象Pn的构象Pr1、Pr2和Pr3；
6.2)从构象Pn、Pr1和Pr2中随机选择三个不同位置的片段f1、f2和f3，片段长度为9；
6.3)用片段f1、f2和f3替换构象Pr3中相应位置的片段，生成重组构象P′；
7)片段组装，过程如下：
7.1)从重组构象P′中随机选择一个窗口宽度为9的滑动窗口Wf；
7.2)从滑动窗口Wf相应的片段库中随机选择一个片段替换原有片段，生成构象P″；
7.3)利用Rosetta score3能量函数计算构象P′和P″的能量，并根据boltzmann准则决定片段组装是否成功；
7.4)若片段组装失败，转至步骤7.1)，重新进行片段组装；
8)基于loop区域的局部扰动，过程如下：
8.1)利用DSSP算法计算构象P″的二级结构，随机选择一个loop区域，记作[Lb,Le]，其中Lb和Le分别表示该loop区域的起始残基编号；将该loop区域两端连接的非loop二级结构区域记作[b1,e1]和[b2,e2]；
8.2)从预测的残基接触图中选取[b1,e1]和[b2,e2]间的接触对构建扰动模型：
其中R为接触对的数量，为残基对(i,j)之间的Cβ原子距离，pr为残基对(i,j)存在接触的概率，i∈{b1,b1+1,…,e1}、j∈{b2,b2+1,…,e2}，残基冲突阈值残基接触阈值
8.3)以[Lb,Le]中的二面角扰动量为变量，以最小化Cscore为目标，利用差分进化算法求解10组扰动量；其中和分别表示第l个残基的二面角和ψ上的扰动量，l∈{Lb,Lb+1,…,Le}；
8.4)用生成的10组扰动量分别对构象P″进行loop区域扰动，生成10个候选构象
9)构象更新，过程如下：
9.1)设i＝1，其中i∈{1,2,...,10}；
9.2)计算构象Pn和的能量，并根据boltzmann准则决定是否用替换Pn；
若替换成功，转至步骤10)；
9.3)i＝i+1；若i≤10，转至步骤9.2)；
10)n＝n+1；若n≤NP，转至步骤6)；
11)g＝g+1；若g≤G，转至步骤5)；
12)利用蛋白质结构聚类算法SPICKER对接收的构象进行聚类，以最大类的中心作为预测结果。
以氨基酸序列长度为106的蛋白质1FCW为实施例，运用以上方法预测得到了该蛋白质的近天然态构象，其构象更新示意图如图1所示，预测的蛋白质的均方根偏差为预测结构如图2所示。
以上阐述是本发明给出的一个实施的预测效果，本发明不仅适合上述实施例，在不偏离本发明基本思想及不超出本发明实质内容的前提下可对其做种种改进加以实施。
Claims (1)
1.一种残基接触引导loop扰动的群体蛋白质结构预测方法，其特征在，所述蛋白质结构预测方法包括以下步骤：
1)输入预测蛋白质的目标序列、9残基片段库和预测的残基接触图；
2)设置参数：种群规模NP、迭代次数G；
3)种群初始化：随机选择目标序列的滑动窗口进行片段组装，直至所有残基都至少被替换过一次，迭代此过程生成初始种群P＝{P1,P2,...,PNP}，其中Pn表示种群P中的第n个蛋白质构象，n∈{1,2,...,NP}；
4)设g＝1，其中g∈{1,2,...,G}；
5)设n＝1，其中n∈{1,2,...,NP}；
6)片段重组，过程如下：
6.1)从种群P中随机选择三个互异且不同于目标构象Pn的构象Pr1、Pr2和Pr3；
6.2)从构象Pn、Pr1和Pr2中随机选择三个不同位置的片段f1、f2和f3，片段长度为9；
6.3)用片段f1、f2和f3替换构象Pr3中相应位置的片段，生成重组构象P′；
7)片段组装，过程如下：
7.1)从重组构象P′中随机选择一个窗口宽度为9的滑动窗口Wf；
7.2)从滑动窗口Wf相应的片段库中随机选择一个片段替换原有片段，生成构象P″；
7.3)利用Rosetta score3能量函数计算构象P′和P″的能量，并根据boltzmann准则决定片段组装是否成功；
7.4)若片段组装失败，转至步骤7.1)，重新进行片段组装；
8)基于loop区域的局部扰动，过程如下：
8.1)利用DSSP算法计算构象P″的二级结构，随机选择一个loop区域，记作[Lb,Le]，其中Lb和Le分别表示该loop区域的起始残基编号；将该loop区域两端连接的非loop二级结构区域记作[b1,e1]和[b2,e2]；
8.2)从预测的残基接触图中选取[b1,e1]和[b2,e2]间的接触对构建扰动模型：
其中R为接触对的数量，为残基对(i,j)之间的Cβ原子距离，pr为残基对(i,j)存在接触的概率，i∈{b1,b1+1,…,e1}、j∈{b2,b2+1,…,e2}，残基冲突阈值残基接触阈值
8.3)以[Lb,Le]中的二面角扰动量为变量，以最小化Cscore为目标，利用差分进化算法求解10组扰动量；其中和分别表示第l个残基的二面角和ψ上的扰动量，l∈{Lb,Lb+1,…,Le}；
8.4)用生成的10组扰动量分别对构象P″进行loop区域扰动，生成10个候选构象
9)构象更新，过程如下：
9.1)设i＝1，其中i∈{1,2,...,10}；
9.2)计算构象Pn和Pi *的能量，并根据boltzmann准则决定是否用Pi *替换Pn；
若替换成功，转至步骤10)；
9.3)i＝i+1；若i≤10，转至步骤9.2)；
10)n＝n+1；若n≤NP，转至步骤6)；
11)g＝g+1；若g≤G，转至步骤5)；
12)利用蛋白质结构聚类算法SPICKER对接收的构象进行聚类，以最大类的中心作为预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910302618.6A CN110189794B (zh) | 2019-04-16 | 2019-04-16 | 一种残基接触引导loop扰动的群体蛋白质结构预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910302618.6A CN110189794B (zh) | 2019-04-16 | 2019-04-16 | 一种残基接触引导loop扰动的群体蛋白质结构预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110189794A true CN110189794A (zh) | 2019-08-30 |
| CN110189794B CN110189794B (zh) | 2021-01-01 |
Family
ID=67714574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910302618.6A Active CN110189794B (zh) | 2019-04-16 | 2019-04-16 | 一种残基接触引导loop扰动的群体蛋白质结构预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110189794B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085246A (zh) * | 2020-07-22 | 2020-12-15 | 浙江工业大学 | 一种基于残基对距离约束的蛋白质结构预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110059504A1 (en) * | 2008-01-03 | 2011-03-10 | Getmanova Elena V | Engineered transglutaminase barrel proteins |
| 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 |
| WO2018136614A1 (en) * | 2017-01-18 | 2018-07-26 | Fred Hutchinson Cancer Research Center | Peptide compositions and methods of use thereof for disrupting tead interactions |
| CN108647486A (zh) * | 2018-03-22 | 2018-10-12 | 浙江工业大学 | 一种基于构象多样性策略的蛋白质三维结构预测方法 |
| CN108763860A (zh) * | 2018-06-07 | 2018-11-06 | 浙江工业大学 | 一种基于Loop信息采样的群体蛋白质构象空间优化方法 |
| CN109326318A (zh) * | 2018-07-12 | 2019-02-12 | 浙江工业大学 | 一种基于Loop区域高斯扰动的群体蛋白质结构预测方法 |
| CN109326319A (zh) * | 2018-08-28 | 2019-02-12 | 浙江工业大学 | 一种基于二级结构知识的蛋白质构象空间优化方法 |
| CN109360599A (zh) * | 2018-08-28 | 2019-02-19 | 浙江工业大学 | 一种基于残基接触信息交叉策略的蛋白质结构预测方法 |
| CN109360596A (zh) * | 2018-08-30 | 2019-02-19 | 浙江工业大学 | 一种基于差分进化局部扰动的蛋白质构象空间优化方法 |
| CN109360598A (zh) * | 2018-08-28 | 2019-02-19 | 浙江工业大学 | 一种基于两阶段采样的蛋白质结构预测方法 |
-
2019
- 2019-04-16 CN CN201910302618.6A patent/CN110189794B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110059504A1 (en) * | 2008-01-03 | 2011-03-10 | Getmanova Elena V | Engineered transglutaminase barrel proteins |
| 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 |
| WO2018136614A1 (en) * | 2017-01-18 | 2018-07-26 | Fred Hutchinson Cancer Research Center | Peptide compositions and methods of use thereof for disrupting tead interactions |
| CN108647486A (zh) * | 2018-03-22 | 2018-10-12 | 浙江工业大学 | 一种基于构象多样性策略的蛋白质三维结构预测方法 |
| CN108763860A (zh) * | 2018-06-07 | 2018-11-06 | 浙江工业大学 | 一种基于Loop信息采样的群体蛋白质构象空间优化方法 |
| CN109326318A (zh) * | 2018-07-12 | 2019-02-12 | 浙江工业大学 | 一种基于Loop区域高斯扰动的群体蛋白质结构预测方法 |
| CN109326319A (zh) * | 2018-08-28 | 2019-02-12 | 浙江工业大学 | 一种基于二级结构知识的蛋白质构象空间优化方法 |
| CN109360599A (zh) * | 2018-08-28 | 2019-02-19 | 浙江工业大学 | 一种基于残基接触信息交叉策略的蛋白质结构预测方法 |
| CN109360598A (zh) * | 2018-08-28 | 2019-02-19 | 浙江工业大学 | 一种基于两阶段采样的蛋白质结构预测方法 |
| CN109360596A (zh) * | 2018-08-30 | 2019-02-19 | 浙江工业大学 | 一种基于差分进化局部扰动的蛋白质构象空间优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUI-JUN ZHANG ET AL.: "Enhancing Protein Conformational Space Sampling Using Distance Profile-Guided Differential Evolution", 《IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 * |
| 於东军 等: "蛋白质残基接触图预测", 《南京理工大学学报》 * |
| 郝小虎 等: "一种基于片段组装的蛋白质构象空间优化算法", 《计算机科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085246A (zh) * | 2020-07-22 | 2020-12-15 | 浙江工业大学 | 一种基于残基对距离约束的蛋白质结构预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110189794B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deng et al. | Protein structure prediction | |
| Cheng et al. | Machine learning methods for protein structure prediction | |
| 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 | |
| Li et al. | Protein docking prediction using predicted protein-protein interface | |
| CN109086566B (zh) | 一种基于片段重采样的群体蛋白质结构预测方法 | |
| 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 | |
| Huang et al. | Simultaneously identify three different attributes of proteins by fusing their three different modes of Chou's pseudo amino acid compositions | |
| CN110189794A (zh) | 一种残基接触引导loop扰动的群体蛋白质结构预测方法 | |
| Rahman et al. | An overview of protein-folding techniques: issues and perspectives | |
| Amanatidis et al. | Deep neural network applications for bioinformatics | |
| CN109033753B (zh) | 一种基于二级结构片段组装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 | |
| Dong et al. | Methods for optimizing the structure alphabet sequences of proteins | |
| 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 | |
| CN109243525B (zh) | 一种基于种群熵的阶段性蛋白质结构预测方法 | |
| CN110729023B (zh) | 一种基于二级结构元素接触辅助的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 | |
| CN109326320B (zh) | 一种系综构象选择策略自适应的蛋白质结构预测方法 | |
| CN113257338A (zh) | 一种基于残基接触图信息博弈机制的蛋白质结构预测方法 | |
| Liu et al. | Conditional graphical models for protein structural motif recognition | |
| Lee et al. | Protein secondary structure prediction using BLAST and relaxed threshold rule induction from coverings | |
| Lau | Progress and Research Trends of Artificial Intelligence Incorporation in Protein Structure Prediction | |
| CN112085246A (zh) | 一种基于残基对距离约束的蛋白质结构预测方法 | |
| Ji | Improving protein structure prediction using amino acid contact & distance prediction | |
| Lee et al. | Protein secondary structure prediction using BLAST and exhaustive RT-RICO, the search for optimal segment length and threshold |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: 518054, D1101, Building 4, Software Industry Base, No. 19, 17, and 18 Haitian 1st Road, Binhai Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Xinrui Gene Technology Co.,Ltd. Address before: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD. Effective date of registration: 20231226 Address after: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD. Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18 Patentee before: JIANG University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |