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。     

药物分子对接中的构象搜索策略

药物分子对接设计是大规模数据库筛选的理想途径。本文在介绍分子对接理论的基础上，建立了一个数学规划模型，将分子对接中的构象搜索转化为约束极小化问题，并采用带有空间收缩的小种群遗传算法进行求解。在遗传算法中还引入了信息熵的概念，用熵控制各种群搜索空间的收缩。本方法用种群的多样性避免了遗传进化的早熟现象，以空间收缩尺度作为停机判据，有效地控制了算法的收敛。在多种群进化机制上，采用小种群策略，极大程度地减少了计算量，提高了分子对接的效率。实例表明本方法适用于药物分子对接设计。     

一种基于免疫遗传算法的分子对接构象搜索策略

分子对接是计算机辅助药物分子优化设计中的一种重要方法,搜索算法和评分函数是当前分子对接研究的难点与热点.在借鉴当前分子对接构象搜索策略的基础上,提出了一个基于免疫遗传算法的分子对接药物设计方法AutoDockIGA.首先建立了基于最优化方法的分子对接数学模型AutoDockModel,并设计了基于免疫遗传算法的构象搜索策略,运用此方法对布克海文蛋白质数据库中(Brookhaven Protein Data Bank)的6种蛋白质一配体复合物进行了实验测试,并将实验结果与AutoDock3.0、模拟退火算法的对接时间和精度进行比较和分析,实例测试表明AutoDockIGA具有更高的寻优能力.     

药物分子对接中应用网格的研究与进展

药物分子对接所涉及的搜索空间非常巨大，需要耗费大量的时间，并且对计算环境也有较高的要求．将网格技术应用于药物分子对接中，能有效地解决上述问题．首先对分子对接理论做了简单介绍；然后，利用网格数据传输和网格任务调度等网格技术对分子对接过程进行了优化，有效利用了网格结点资源，并降低了药物分子的对接时间；最后的实例测试表明了药物分子对接与网格技术相结合的合理性及有效性．     

模糊Job Shop调度中的混合搜索策略的研究

采用并行遗传算法作为全局搜索算法，提出一种混合搜索策略，用于求解模糊Job Shop调度问题．根据模糊Job Shop调度问题解的特征，提出基于关键工序的邻域选择方法，并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法，加强了遗传算法局部搜索能力．针对13个困难benchmark问题的实验结果表明，在较短的时间内，混合搜索策略的算法得到的平均满意度比并行遗传算法提高4.67%，比TSAB算法提高5.76%．采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

分子对接法预测丹皮酚及其2个异构体与β-环糊精复合物结构（英文）

β-环糊精对丹皮酚和其异构体具有明显的分子识别能力,其复合物的构象也可以极大提高其溶解能力。为了调查3个异构体和β-环糊精之间的结合模式以及相互作用,进行了分子对接和分子动力学模拟计算。采用拉马克遗传算法进行复合物可能的构象搜索,采用分子动力学评估了对接结果。对接结果分析表明3个异构体的羟基和甲氧基等的相对位置对其结合模式起到关键作用。丹皮酚(Pae)和香草乙酮(Ace)只有1个稳定的结合方式,计算结果和1H-NMR预测的一致。而2-羟基-5-甲氧基苯乙酮(Hma)和β-环糊精的可能的作用方式都不稳定。主客体之间主要的作用力为分子间氢键和疏水相互作用。分子对接法和分子动力学结合是预测β-环糊精和其配体复合物结构的1种简单方便的方法。     

肌巨蛋白PEVK多肽片段中模型分子EVPK的构象研究

为探讨肌巨蛋白中PEVK多肽片段对肌巨蛋白的弹性贡献,本文采用分子力学随机构象搜索法、分子动力学模拟退火法和混合Monte Carlo方法,对PEVK多肽片段中的模型分子EVPK进行构象搜索和构象稳定性研究。结果表明,构象搜索所得低能构象集中,以分子动力学模拟退火所得的构象能量最低,构象中分子呈折叠式且稳定性较好。在拉力作用下构象被拉伸,在宏观上表现出弹性,为解释PEVK多肽片段是肌巨蛋白弹性的来源提供理论依据。     

并行遗传算法研究及其应用

GA是一类基于自然选择和遗传学原理的有效搜索方法，它从一个种群开始，利用选择、交叉、变异等遗传算子对种群进行不断进化。最后得到全局最优解。但随着求解问题的复杂性及难度的增加，提高GA的运行速度便显得尤为突出，采用并行遗传算法（PGA）是提高搜索效率的方法之一。本文分析了并行遗传算法的四种模型，最后应用于0-1背包问题的求解。实验结果表明．该算法在具有较高搜索效率的同时，仍能维持很高的种群多样性。     

实现并行搜索和符号逻辑算法的高阶二维时态－竞争激励神经网络方法

本文提出并行搜索和规划算法，以及实现它们的高阶二维时态－竟争激励神经网络．这种网络还能实现基于传统符号逻辑的许多问题求解算法．本文的方法克服了通常的神经网络求解优化问题的缺陷．同时，也避免了符号逻辑算法的串行性及符号逻辑Ｓｙｓｔｏｌｉｃ结构复杂性等问题．给出了求解隐式图搜索、ＬＣＳ问题、ＴＳＰ问题及０－１背包问题的实例．     

流感病毒神经氨酸酶抑制剂的理性筛选

介绍了理性筛选流感病毒神经氨酸酶抑制剂的全过程，共分4个阶段：1)化合物数据库类药性处理；2)建立神经氨酸酶抑制剂三维药效团并对目标数据库进行构象搜索；3)分子对接及对接后分析；4)神经氨酸酶抑制模型的建立及待测化合物的活性检测。活性检测后发现4个活性化合物，其中Ic。为10。M的化合物1个．Ic，。为10^-6M的化合物2个，IC50为10^-7M的化合物1个。应用理性筛选方法，从化合物数据库中挑选出部分化合物进行神经氨酸酶抑制活性的筛选，减少了药物筛选的盲目性，提高了药物发现的机率。     

应用改进型遗传算法进行药物分子对接设计

文章建立了一种约束优化的演化模型,并构造出求解此模型的多种群空间收缩遗传算法,将信息熵概念引入进化过程,控制各种群寻优搜索时解空间的收缩。该算法用种群的多样性避免遗传进化的早熟现象,并以空间收缩尺度作为停机判椐,有效地控制了算法的收敛。利用基于小种群的多种群进化策略,在保证种群多样性的前提下,极大程度地减少了计算量,提高了计算效率。数值算例表明,熵的介入增强了随机搜索类进化算法的寻优目的性,使收敛过程平稳且迅速。算例表明此算法能有效的应用于药物分子对接设计。     

基于改进烟花算法的并联冷机负荷分配优化

针对并联冷机负荷分配优化问题提出一种改进烟花算法,以并联冷机系统功耗最小为优化目标,以每台冷机的部分负荷率作为优化变量进行求解.在改进烟花算法中,首先针对基本烟花算法搜索初始解不均匀问题,提出基于混沌初始化的变量定义方法;然后针对高斯突变不利于跳出局部最优问题,采用变异范围更大的莱维飞行变异方法,提高了基本烟花算法的搜索能力;最后针对改进的烟花算法,以两个并联冷机系统测试案例对所提出的改进烟花算法性能进行测试,并与其他的优化算法的结果进行对比.实验表明,相比于其他算法,改进烟花算法可以得到较优的运行策略,具有较好的节能效果.     

Multi-center variable-scale search algorithm for combinatorial optimization problems with the multimodal property

Combinatorial optimization problems (COPs) are discrete problems arising from aerospace, bioinformatics, manufacturing, and other fields. One of the classic COPs is the scheduling problem. Moreover, these problems are usually multimodal optimization problems with a quantity of global and local optima. As a result, many search algorithms can easily become trapped into local optima. In this article, we propose a multi-center variable-scale search algorithm for solving both single-objective and multi-objective COPs. The algorithm consists of two distinct points. First, the multi-center strategy chooses several individuals with better performance as the only parents of the next generation, which means that there are a number of separate searching areas around the searching center. Second, the next generation of the population is produced by a variable-scale strategy with an exponential equation based on the searching center. The equation is designed to control the neighborhood scale, and adaptively realize the large-scale and small-scale searches at different search stages to balance the maintenance of diversity and convergence speed. In addition, an approach of adjusting centers is proposed concerning the number and distribution of centers for solving multi-objective COPs. Finally, the proposed algorithm is applied to three COPs, including the well-known flexible job shop scheduling problem, the unrelated parallel machine scheduling problem, and the test task scheduling problem. Both the single-objective optimization algorithm and the multi-objective optimization algorithm demonstrate competitive performance compared with existing methods.     

An Annealed Chaotic Competitive Learning Network with Nonlinear Self-feedback and Its Application in Edge Detection

An unsupervised parallel approach called Annealed Chaotic Competitive Learning Network (ACCLN) for the optimization problem is proposed in this paper. The goal is to modify an unsupervised scheme based on the competitive neural network using the chaotic technique governed by an annealing strategy so that on-line learning and parallel implementation to find near-global solution for image edge detection is feasible. In the ACCLN, the edge detection is conceptually considered as a clustering problem. Here, it is a kind of competitive learning network model imposed by a 2-dimensional input layer and an output layer working toward minimizing an objective function defined as the contextual information. The interconnection strength, composed by an internal state and a transient state with a non-linear self-feedback manner, is connected between neurons in input and output layers. To harness the chaotic dynamic and convergence process, an annealing strategy is also embedded into the ACCLN. In addition to retain the characteristics of the conventional neural units, the ACCLN displays a rich range of behavior reminiscent of that observed in neurons. Unlike the conventional neural network, the ACCLN has rich range and flexible dynamics, so that it can be expected to have higher ability of searching for globally optimal or near-optimum results.     

时滞系统控制参数优化的遗传模拟退火算法

该文基于遗传模拟退火算法，提出一种时滞系统的控制参数优化方法，同时对Matlab遗传算法工具箱GAOT进行改进，使之适用于PID参数的优化。该文所采用的算法保留了遗传算法和模拟退火算法分别在全局和局部搜索能力强的优点，能克服常规遗传算法中解的早熟现象、局部寻优能力差，难以保证对参数优化的计算效率和可靠性要求等缺陷。研究表明，改进后的遗传模拟退火算法是一种行之有效的方法，具有实用价值。     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

基于进化稳定策略的遗传算法

为了解决传统遗传算法易陷入局部最优解的问题,在借鉴生物学中"进化稳定策略"的基础上,对传统的遗传算法进行了改进,提出了基于进化稳定策略的遗传算法.该算法的核心在于,稳定参数控制下的突变算子的构造,通过稳定参数的设定来稳定种群中最优个体的数目,并有目标地对最优个体进行突变操作,以达到快速扩大搜索空间、稳定群体中个体多样性的目的.仿真结果表明,该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生,显著地提高了GA对全局最优解的搜索能力和收敛速度.这将使GA在众多实际的优化问题上具有更广泛的应用前景.     

Adaptive molecular docking method based on information entropy genetic algorithm

Almost all the molecule docking models, using by widespread docking software, are approximate. Approximation will make the scoring function inaccurate under some circumstances. This study proposed a new molecule docking scoring method: based on force-field scoring function, it use information entropy genetic algorithm to solve the docking problem. Empirical-based and knowledge-based scoring function are also considered in this method. Instead of simple combination with fixed weights, coefficients of each factor are adaptive in the process of searching optimum solution. Genetic algorithm with the multi-population evolution and entropy-based searching technique with narrowing down space is used to solve the optimization model for molecular docking problem. To evaluate this method, we carried out a numerical experiment with 134 protein–ligand complexes of the publicly available GOLD test set. The results show that this study improved the docking accuracy over the individual force-field scoring greatly. Comparing with other popular docking software, it has the best average Root-Mean-Square Deviation (RMSD). The average computing time of this study is also good among them.     

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。