蛋白质构象空间的多模态优化算法

发布时间：2024-02-04 01:13

　　蛋白质能量模型的不精确性导致数学上的最优解并不一定对应其稳定的天然态结构,同时其巨大的构象空间使得现有方法也极易收敛到局部最优解。针对蛋白质结构能量模型不精确和高维构象空间采样可靠性低的问题,在进化算法的基础上,提出了一种基于二面角相似度的蛋白质构象多模态优化方法。首先,执行模态探测,将Rosetta粗粒度能量模型作为筛选高质量新个体的标准,进行种群更新,增加种群构象的多样性;然后,建立二面角相似度模型,用于评价不同构象间的相似程度,以满足多模态优化算法中相似个体快速判定的要求,并基于排挤更新策略实现模态增强,获得结构更为合理的构象。10个测试蛋白质的实验结果表明:所提算法能够达到较高的预测精度,并且可以使种群具有良好的模态分布,得到尽可能多的高质量局部极值解,从而获得一些较好的蛋白质亚稳态结构。

【文章页数】：5 页

【部分图文】：

图1粗粒度蛋白质表达模型

粗粒度蛋白质模型只保留了主链骨干原子N,Cα,C,O以及侧链替代原子。如图1所示,用二面角?,ψ和ω来表示氨基酸链,?表示C-N-Cα所在平面与N-Cα-C所在平面构成的二面角,ψ表示N-Cα-C所在平面与Cα-C-N所在平面构成的二面角,ω表示Cα-C-N所在平面与C-N-Cα....

图2时间对比(电子版为彩色)

图2是蛋白质相似度(RootMeanSquareDeviation,RMSD)[36]和二面角相似度的计算时间对比图,横坐标为不同测试蛋白,纵坐标为进行18000000次结构比对实验所花费的时间。图2所示结果表明,采用二面角相似度进行蛋白质结构比对所花费的时间远远短于采....

图3种群的平均能量趋势(电子版为彩色)

图3以1c8cA为例给出了算法搜索过程中的种群平均能量趋势。在种群模态探测阶段初期,种群构象的平均能量快速下降,形成了大致的折叠拓扑;在随后的探测过程中,种群平均能量的下降趋势明显放缓,算法在更为广阔的构象空间中进行充分的采样,实现了更多模态的探测。模态探测过程完成后,算法进入模....

图4DASOM算法的搜索过程图(电子版为彩色)

图4清晰地展示了模态探测和模态增强的过程。经过模态探测阶段对构象空间进行充分的搜索之后,种群在构象空间中形成了不同的模态;进入模态增强阶段后,排挤更新策略使得种群中潜在的合理构象被保留下来,种群构象质量得到提高;在最后一代种群中,不仅得到了能量最低的全局最优解,也可以得到一系列局....

本文编号：3894951