蛋白質(zhì)分子構(gòu)象優(yōu)化方法研究與實(shí)現(xiàn).pdf

1、蛋白質(zhì)構(gòu)象優(yōu)化算法是制約蛋白質(zhì)結(jié)構(gòu)預(yù)測精度的關(guān)鍵環(huán)節(jié)，從頭計(jì)算現(xiàn)已成為蛋白質(zhì)構(gòu)象優(yōu)化的主要方法。從計(jì)算學(xué)科的角度來看，從頭計(jì)算方法實(shí)質(zhì)就是選擇一種蛋白質(zhì)力場模型作為目標(biāo)函數(shù)，利用全局優(yōu)化算法在勢能曲面上搜索全局最低能量構(gòu)象解。蛋白質(zhì)力場模型考慮分子體系成鍵作用及非成鍵作用，致使其形成的勢能曲面極其粗糙，局部極小值數(shù)隨著問題維數(shù)的增加呈指數(shù)增長。在數(shù)學(xué)上稱為一類難以解決的多重極小值問題，在計(jì)算科學(xué)上屬于一類非常難解的NP-Hard問題。蛋

2、白質(zhì)構(gòu)象優(yōu)化問題的研究，從生物學(xué)意義上，可以揭示蛋白質(zhì)分子折疊的規(guī)律，進(jìn)行蛋白質(zhì)功能注釋，為新型材料和基因藥物的設(shè)計(jì)和研發(fā)提供理論依據(jù);從算法意義上來講，實(shí)際問題是算法研究的推動力和源泉，通過對實(shí)際問題的求解，檢驗(yàn)已有算法，并開發(fā)新的算法。從上述兩個(gè)方面來講，本文的研究具有重要的科學(xué)意義和工業(yè)應(yīng)用前景。本文主要工作和研究成果如下:
　　1.綜述了蛋白質(zhì)結(jié)構(gòu)預(yù)測產(chǎn)生的背景及發(fā)展現(xiàn)狀，針對目前蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域面臨的高維構(gòu)象空間優(yōu)化問

3、題，詳細(xì)介紹了分子構(gòu)象優(yōu)化算法的研究現(xiàn)狀與發(fā)展趨勢，重點(diǎn)分析了常見的構(gòu)象優(yōu)化算法的發(fā)展過程和存在的不足。
　　2.針對一類同質(zhì)原子基態(tài)構(gòu)象優(yōu)化問題，提出了一種適于求解高維多模優(yōu)化問題的局部限制差分進(jìn)化算法，通過在差分進(jìn)化算法的接受階段引入有限次的局部搜索過程及下降方向變異策略，在保證解全局最優(yōu)性的前提下可有效的增加算法收斂速度。對硅和砷原子的Tersoff半經(jīng)驗(yàn)多體勢數(shù)值研究結(jié)果表明，算法在收斂速度和可信度方面均優(yōu)于原先的差分進(jìn)化

4、算法，適合求解大規(guī)模高維優(yōu)化問題MBP6/As和MBP6/Si。
　　3.針對蛋白構(gòu)象優(yōu)化問題，基于ECEPP/3力場轉(zhuǎn)換模型，提出了一種基于局部能量極小化和片段集結(jié)過程的差分進(jìn)化算法。在進(jìn)化算法的框架下，通過在交叉算子中引入片段集結(jié)過程策略，在不犧牲算法多樣性的前提下，增強(qiáng)算法的局部收斂能力;基于擬牛頓(Qausi Newton)能量極小化算法，進(jìn)一步降低勢能曲面的粗糙度，達(dá)到簡化模型的目的。最后，通過甲硫氨酸—腦啡肽(TYR1

5、-GLY2-GLY3-PHE4-MET5)構(gòu)象空間優(yōu)化實(shí)例驗(yàn)證了算法的有效性。
　　4.考慮到蛋白質(zhì)構(gòu)象優(yōu)化的多模態(tài)特性，初步提出基于廣義凸下界估計(jì)模型的改進(jìn)差分進(jìn)化算法。首先，基于廣義凸理論，利用差分進(jìn)化算法中更新個(gè)體的適應(yīng)度知識，建立并證明了原優(yōu)化問題的廣義凸下界估計(jì)模型，設(shè)計(jì)實(shí)現(xiàn)了基于N-叉樹的估計(jì)模型快速計(jì)算方法;其次，綜合考慮原問題目標(biāo)值與其估計(jì)值之間存在的差異，提出了一種基于有偏采樣的小生境指標(biāo)，并設(shè)計(jì)區(qū)域進(jìn)化樹更新策

6、略來保證算法的局部搜索能力。數(shù)值實(shí)驗(yàn)結(jié)果表明，提出算法能夠有效地發(fā)現(xiàn)并維持一定數(shù)量的滿意解模態(tài)，動態(tài)實(shí)現(xiàn)全局模態(tài)搜索到模態(tài)內(nèi)局部增強(qiáng)的自適應(yīng)平滑過渡。對于文中給出的測試問題，能夠發(fā)現(xiàn)所有的全局最優(yōu)解以及一些較好的局部極值解。由于時(shí)間的關(guān)系，設(shè)計(jì)的多模態(tài)優(yōu)化算法尚未對蛋白質(zhì)具體的實(shí)例進(jìn)行數(shù)值研究，但這些工作對我們下一階段的研究尤為重要。
　　5.最后，對全文的研究工作進(jìn)行了總結(jié)，給出了本文的研究成果以及存在的不足之處，并展望了蛋白質(zhì)