[发明专利]一种基于二级结构知识的蛋白质构象空间优化方法

摘要

一种基于二级结构知识的蛋白质构象空间优化方法，在遗传算法的基本框架下，对每个目标个体完成基于loop区域的交叉和基于片段组装的变异；然后，根据预测的二级结构知识和能量函数对目标个体和变异个体分别进行评价；最后，根据每个个体的二级结构得分与能量总得分进行排序，选出适应度较高的个体进入下一代种群。本发明提出一种预测精度高、计算代价低的基于二级结构知识的蛋白质构象空间优化方法。

主权项

1.一种基于二级结构知识的蛋白质构象空间优化方法，其特征在于：所述方法包括以下步骤：1)给定输入序列信息；2)利用PSIPRED平台预测目标蛋白的二级结构信息；3)选取能量函数E(x)；4)参数初始化：设置种群规模Psize，最大遗传代数Gmax，初始种群搜索轨迹长度iter，交叉因子CR，变异计数器Co，最大计数值Comax，二级结构和能量的权重ws和we；5)初始化种群：启动Psize条Monte Carlo轨迹，每条轨迹搜索iter次，即生成Psize个初始个体；6)对每个目标个体xi,i∈{i＝1,.2..,Psize}进行如下操作：6.1)随机选择一个个体xj,j∈{1,2,...,Psize}且j≠i，若r≤CR则对个体xi和xj进行如下操作，否则x′i＝xi转至步骤6.2)，其中r∈[0,1]是随机数；6.1.1)在个体xj中，随机选择一个loop区域[a,b]，其中a是随机选取的loop区域对应的起点位置，b是终止位置；6.1.2)用个体xj中[a,b]区域的扭转角度依次替换个体xi中对应区域的扭转角，生成交叉个体x′i；6.2)对个体x′i进行如下的变异操作：6.2.1)对个体x′i进行片段组装生成，并利用Monte Carlo机制判断是否接收该片段的插入，如果接受则组装后的构象被记为变异个体x″i，转至步骤6.3)，否则转至步骤6.2.2)；6.2.2)更新变异计数器，即Co＝Co+1；若Co＜Comax则返回步骤6.2.1)；否则对个体x′i进行片段组装直接生成变异个体x″i，并设置Co＝0；6.3)如果i＝Psize则执行步骤7)进行选择操作，否则转至步骤6.1)对下一个个体进行交叉和变异；7)对每个目标个体xi,i∈{i＝1,.2..,Psize}和变异个体x″i,i∈{i＝1,.2..,Psize}进行如下操作：7.1)根据预测的二级结构知识和能量函数计算目标个体xi的得分，过程如下：7.1.1)利用DSSP测定目标个体x_i的二级结构l为目标序列的长度，是构象x_i中第k个序列对应的二级结构类型，其中H,E和L分别代表α螺旋，β折叠和loop区域；7.1.2)根据公式计算目标个体x_i的二级结构得分，其中，代表在预测的二级结构知识中第k个序列对应的二级结构被预测为型的置信度；7.1.3)根据能量函数计算出目标个体xi的能量为Ei；7.1.4)根据公式SEi＝ws·Si+we·Ei计算目标个体xi的总得分，其中ws和we是二级结构与能量的权重；7.2)根据预测的二级结构知识和能量函数计算目标个体x″i的得分，过程如下：7.2.1)与步骤7.1.1)同理测定变异个体x″_i的二级结构其中，是构象x″_i中第k个序列的二级结构类型；7.2.2)与步骤7.1.2)同理根据公式计算变异个体x″_i的二级结构质量分数；7.2.3)根据能量函数计算出变异个体x″i的能量为E″i；7.2.4)根据公式SE″i＝ws·S″i+we·E″i计算变异个体x″i的总得分；7.3)根据目标个体xi,i∈{i＝1,.2..,Psize}和变异个体x″i,i∈{i＝1,.2..,Psize}的得分SEi,i∈{i＝1,.2..,Psize}和SE″i,i∈{i＝1,.2..,Psize}对所有的个体进行排名，选出得分最低的前Psize个个体进入下一代，并作为下一代的父代个体；8)判断是否达到最大迭代代数Gmax，若达到最大迭代代数，则输出结果，否则转至步骤6)。