[发明专利]一种基于改进萤火虫算法的多模态蛋白质构象空间优化方法

摘要

一种基于改进萤火虫算法的多模态蛋白质构象空间优化方法，包括以下步骤在基本萤火虫算法框架下，采用粗粒度能量模型来有效降低构象空间维数，利用萤火虫算法的群体特性来保证蛋白质构象的多样性，采用片段组装技术对构象群体进行初始化，依据蛋白质构象的粗粒度表达模型，以一组二面角表示构象在空间中的位置，采用能量排名来确定最强发光个体，选取排名前十的萤火虫个体作为模态中心，并计算他们对其余个体的吸引度来更新构象的位置，纳入吸引度最高的模态，吸引度指标根据两个萤火虫个体的空间距离和相似度计算得到，最终在构象空间中搜索得到一系列能量较低的近天然态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。

主权项

一种基于改进萤火虫算法的多模态蛋白质构象空间优化方法，其特征在于：所述构象空间优化方法包括以下步骤：1)给定输入序列信息；2)参数初始化：设置群体规模popSize、子种群数目Nsub、子群规模上限Nsup、迭代次数generation、光强吸引因子γ和位置更新步长因子α；3)群体构象初始化：根据给定输入序列，随机生成popSize个个体，对群体中的每个个体做length次片段组装，并计算其荧光亮度Io，其中length为序列长度，Io＝‑E(p)＝RosettaScore3(p)，E为通过RosettaScore3能量函数计算得到的蛋白质构象能量值，p表示单个构象；4)对步骤3)中计算得到的荧光亮度从大到小排序，令荧光亮度最大的前Nsub个体为pgi，i∈[0,Nsub]；5)开始迭代：5.1)划分子群：对群体中剩余的popSize‑Nsub个个体，分别计算pgi对它们的吸引度βi，并将其划入吸引度最大的pgi所在的子群中，并判断子群PSpgi中个体数目Nnum，若Nnum＝Nsup，则不再计算pgi对其他个体的吸引度；5.2)对每个子群中的每个个体，根据xki(t+1)＝xki(t)+βi(xgi(t)–xki(t))+α(rand–0.5)更新每个个体在空间中的位置，其中xki(t+1)，xki(t)表示第i个子群中第k个个体pki更新后的位置和当前的位置，xgi(t)表示个体pgi的当前位置，其中β0为最大吸引度因子，rgk表示个体pki与pgi之间的距离，rmsdgk为个体pki与pgi之间的相似度，rand为0到1之间的随机数，个体位置xki(t)表示为其中为输入序列的氨基酸残基的二面角，j∈[1,length–L+1]，L为片段长度；5.3)种群个体随机摆动：对群体中的每个个体进行L次随机片段组装；5.4)重新计算每个个体的荧光亮度，更新pgi；6)判断是否达到最大迭代次数generation；6.1)若当前迭代次数小于generation，返回步骤5.1)；6.2)若当前迭代次数等于generation，结束。