蛋白质-配体分子对接中构象搜索方法

分子对接是研究蛋白质-配体分子间相互作用与识别的有效方法。分子间的相互作用过程中形成的近天然构象是结合自由能极低的构象,快速且准确搜索能量极低的构象对于蛋白质-配体分子对接至关重要。本文回顾了蛋白质-配体分子对接中主要的构象搜索算法,包括快速穷举搜索、启发式搜索和其他搜索方法,并列举了采用不同搜索算法的代表性分子对接软件。其次,介绍了蛋白质-配体分子对接的国际评估实验、常用的测试标准库和评价的重要指标。最后,分析并指出了当前蛋白质-配体对接构象搜索方法所存在的主要问题,并对未来的工作进行了展望。     

球谐函数在蛋白质分子匹配和对接中的应用

本文将球谐函数应用在分子表面模拟上，以解决生物大分子（蛋白质）与生物大分子（蛋白质）之间的对接（dock)，为药物分子设计的研究奠定理论基础。     

基于CPU和GPU异构的蛋白质分子半柔性对接算法优化

分子对接是预测蛋白质复合物的有效手段。对于分子对接算法的优化旨在加速分子对接效率,降低计算成本,以及充分发挥计算资源的利用率。本文主要采用3个方案对半柔性对接算法进行优化：（1）方案一在CPU端进行优化;（2）方案二在方案一的基础上,利用CUFFT的移植工具CUFFTW为方案一提供部分GPU并行接口;（3）方案三利用GPU并行架构,通过CPU和GPU的协同处理,利用纯并行计算接口进行优化。3种方案对PDB code分别为1PEE,1B6C,4HX3和2SNI的测试蛋白进行结合态和自由态的对接,求得的最小均方根偏差L_RMSD小于5 Å,满足了复合物结构预测竞赛要求的中等精度结构标准,验证了对接结果的正确性。最后在保证结果正确性的前提下,测试了不同蛋白在不同方案下的运行速率;在保证不同蛋白对接效率相同的前提下,以1PPE为例,比较了不同方案下的对接速率。实验结果表明在同等旋转步长并保证程序运行结果正确性的前提下,最终的优化效果可提速近10倍,有效改进了半柔性对接算法的运行速率。     

基于分子力学的蛋白质分子场可视化

分子场是研究分子结构与功能的重要工具之一,已经成为药物设计和分子对接的常规方法。分子间作用力分布在3维空间,现有的蛋白质显示方法,如范德华表面,分子表面,球棍模型等,都难以对分子间作用力进行空间可视化分析。分子间各种相互作用中,静电力和范德华力在许多生物过程中都扮演着重要的角色,对蛋白质静电相互作用和范德华相互作用的正确计算模拟有着重要的理论和实践意义。分子场的计算分析从蛋白质分子结构出发,先经过分子模拟采样计算得到分子场,再对分子场进行可视化分析,提出针对分子场特点的分步式传输函数设计法,直观地反映了分子场在空间的分布,对于分析蛋白质结构功能、了解分子间相互作用机理以及进行药物设计和分子对接都有重要作用。     

计算机辅助药物分子对接并行演化设计

对分子对接理论作了简单介绍,建立了一个基于柔性配体分子与刚性受体分子对接的数学规划模型,将分子对接中的构象优化搜索转化为求解约束极小化问题的过程,并采用带有空间收缩的多种群并行遗传算法进行求解．在分布式存储的并行机曙光3000上模拟计算表明,该设计具有很高的并行加速比,在保证分子对接的准确性和有效性的前提下,大大提高了分子构象搜索的速度．     

多肽与蛋白质对接的研究进展

多肽类药物具有生理活性强、免疫原性低、疗效高等优点,在临床治疗上有着广阔的应用前景.随着固相肽合成和组合肽库等技术的发展,人们已经可以快速合成大量结构不同的多肽用于药物筛选和研发,但随之而来的问题是传统随机筛选方法盲目性大,实验成本高,因此多肽的理性设计方法也日益被人们所关注.一些经典的药物对接软件如DOCK、AutoDOCK等也被用于模拟多肽与其靶标蛋白形成的复合物结构,或被用于多肽虚拟库的筛选.然而相对于小分子化合物,多肽分子柔性较大,而且随着肽链的延长其计算复杂度呈几何级数增长,多肽与蛋白质对接的算法和精度还有待进一步提高.本文重点介绍当前应用于多肽-蛋白质对接的一些方法,例举一些文献报道的应用实例,以促进计算机辅助手段在多肽类药物理性设计中的应用.     

基于云计算异构环境的Hadoop性能分析

针对当前云服务发展中遇到的数据量急速增加为后台数据中心带来的数据处理问题,本文实施了Hadoop 的 性能测试。首先对云计算异构环境的Hadoop 性能进行了描述,其次对Hadoop 集群中两种节点的性能差别进行了分析,并给 出了实验异构的平台的设计和实验结果。     

球谐函数在蛋白质分子匹配和对接中的应用

本文将球谐函数应用在分子表面模拟上,以解决生物大分子(蛋白质)与生物大分子(蛋白质)之间的对接(dock),为药物分子设计的研究奠定理论基础。     

Hadoop框架下节点重要性算法实现蛋白质功能预测

论文从蛋白质序列数据的角度出发,通过序列相似度循环匹配构造蛋白质网络,并且通过网络节点重要性排序算法预测蛋白质功能.以节点重要性重要性作为研究对象,在蛋白质网络应用节点重要性算法PageRank计算网络中蛋白质节点PR值,在Hadoop平台上进行开发实现功能预测的并行计算,减小运行时间.最后通过准确率,召回率以及F1-measure三个指标来衡量结果,并对比传统的功能预测方法,验证结果的有效性.     

Hadoop下负载均衡的频繁项集挖掘算法研究

频繁项集挖掘FIM(Frequent Itemsets Mining)是关联规则挖掘算法的重要组成部分。而经典Apriori和FP-Growth算法在海量数据处理时面临内存占用、计算性能等方面的瓶颈。基于Hadoop云计算平台,提出适用大数据处理的频繁项集挖掘HBFP(High Balanced parallel FP-growth)算法,设计后缀模式转换的数据分割及均衡任务分组方案,使计算节点本地拥有计算所依赖的数据,实现不同节点相互独立的并行数据挖掘方法,并保证算法全局的负载均衡特性。实验数据表明,HBFP算法能均匀地将计算量分散至不同计算节点,并行且相互独立地进行FP-Growth挖掘过程,算法效率提高了约12%,算法全局稳定性及效率取得提升。     

基于Hadoop的云计算基础架构分析

Hadoop是一个可实现大规模分布式计算的开源软件平台,已经被广泛应用在云计算领域.从Hadoop分布式文件系统的整体架构入手,描述了其分布式数据存储、分布式任务分配、分布式并行计算和分布式数据库四方面的核心内容,并论述了HDFS的工作原理、文件操作流程及Map/Reduce工作原理和计算过程.目的是使开发人员能深入地...     

短程力分子模拟在Hadoop上的实现及优化

在Hadoop开源云计算平台上运行分子模拟程序,具有节省软硬件投资、缩短模拟时间等研究意义。然而,该平台并不擅长科学计算类应用中所涉及的快速迭代和子任务间通信。为此,在原子分解法基础上提出了三种解决方案并利用"读写HDFS同步法"实现短程作用力有效的分子动力学模拟的并行算法。在一个Hadoop集群上测试和分析了程序的可扩展性、加速比和各部分耗时情况,结果表明在大规模体系模拟中有较好的效果,最高取得了28倍的加速比。实验证明,Hadoop并行技术在分子模拟中有着较高的经济价值和实用价值。     

基于Hadoop的化合物生物活性分析系统

通过药物虚拟筛选,发现在具有生物活性化合物过程中,存在小分子结构相似性比较计算繁杂等问题。为此,结合MapReduce模型,提出一种基于Hadoop的并行计算模型处理方法,并通过Hadoop工具予以实现。同时根据Hadoop分区算法不均匀、容错功能存在重复计算等问题对该方法进行改进。实验结果表明,该方法平均加速效率达到0.91,具有较好的可靠性和扩展性。     

基于Hadoop MapReduce模型的应用研究

MapReduce是一种简化并行计算的分布式编程模型,是Google的一项重要技术,通常被用于数据密集型的分布式并行计算.探讨了来自Apache开源的分布式计算平台Hadoop的核心设计MapReduce编程模型,并通过算法实验分析和研究了MapReduce模型的工作方式和应用方法.     

基于Hadoop平台的并行中文句法分析研究

作为自然语言理解研究重点的句法分析一直受到人们的关注。针对现今句法分析方法效率低、准确度不高的问题,借助云计算计算能力强的优势,探讨了在云计算平台上实现并行中文句法分析的方法。利用公开的语料库及开源的句法分析工具在搭建的Hadoop云计算试验平台上实现并行中文句法分析,实验结果及理论分析均证实了所设计的基于Hadoop平台的并行句法分析方法的可行性、有效性与稳定性。     

基于云计算平台Hadoop的并行k-means聚类算法设计研究

随着数据库技术的发展和Intcrnct的迅速普及,实际应用中需要处理的数据量急剧地增长,致聚类研究面临 许多新的问题和挑战,如海量数据和新的计算环境等。深入研究了基于云计算平台Hadoop的并行k-means聚类算 法,给出了算法设计的方法和策略。在多个不同大小数据集上的实验表明,设计的并行聚类算法具有优良的加速比、 扩展率和数据伸缩率等性能,适合用于海量数据的分析和挖掘。     

基于Hadoop的MapReduce模型的研究与改进

针对MapReduce模型中存在的多个Reduce任务之间完成时间差别较大的问题,分析了影响Reduce任务完成时间的因素,指出了MapReduce模型中Reduce任务节点存在数据倾斜问题,提出了一种改进型的MapReduce模型MBR(Map-Balance-Reduce)模型。通过添加Balance任务,对Map任务处理完成的中间数据进行均衡操作,使得分配到Reduce任务节点的数据比较均衡,从而确保Reduce任务的完成时间基本一致。仿真实验结果表明,经过Balance任务后,Map任务产生的中间数据能够比较均衡的分配给Reduce任务节点,达到数据计算均衡的目的,在一定程度上减少了整个作业的执行时间。