求解HP模型蛋白质折叠问题的改进PERM算法

PERM是一种用来求解基于HP模型的蛋白质折叠问题的高效算法.在介绍PERM算法核心思想的基础上,对影响算法效率的因素做了改进:重新定义了权重和权重预测公式,并对选择动作时不同情况下的权重计算公式进行了统一,得到了改进的PERM算法.对当前文献中的多个典型算例进行了测试,并与Monte Carlo算法和PERM进行了比较.结果表明, 改进后的PERM算法在计算速度上比PERM有明显提高,在速度和优度上远高于Monte Carlo算法.特别是对链长为46的算例,找到了比文献中报道的结果能量更低的构形.     

求解蛋白质折叠问题的拟物切片算法

蛋白质结构预测问题在生物学领域具有重要的理论意义和现实意义,提出一种拟物切片算法,与目前文献中依格点模型求解蛋白质折叠问题的最高效算法PERM进行对比分析。对当前文献中公认的最难的4个算例的计算都达到较好的结果。     

求解蛋白质折叠问题的模拟退火算法

通过构造新的数学模型,把三维AB模型的蛋白质折叠问题由一个带约束的优化问题转化为无约束优化问题,然后提出一个模拟退火算法.对如何得到初始构形,提出了一个启发式策略.实算结果表明,本文算法效率较高,对四条氨基酸测试序列,本文算法得到的最低能量都要优于nPERM算法得到的结果.     

改进的蚁群算法求解蛋白质折叠问题

针对蛋白质折叠问题的二维格点模型(2DHP)提出了一种改进的蚁群算法(ACO).受链生长型算法Pruned-Enriched Rosenbluth Mvthod(PERM)的启发,在计算迹的时候增加了一个新的信息量,使得改进后的蚁群算法具有较快的收敛速度,同时采用基于极值动力学的优化方法(EO)进行局部搜索.求解基准实例的结果表明,该算法能够在保证解质量的前提下能大大缩短计算时间.     

蛋白质HP模型的改进和PERM算法求解

HP模型是一种被广泛研究的简化的蛋白质折叠模型.在蛋白质螺旋结构的预测上有很高的可信度.但是HP的正方格点模型存在能量计算缺陷,影响其对链上特定结构的计算.针对这一缺陷,给出一种模型上的修正,引入了三角化的格点模型.利用求解格点蛋白质模型高效的算法PERM对通用算例进行了基于2-D三角格点模型的仿真计算.得到了紧密的蛋白质链折叠构型.构型最小能量比正方格点模型更低,得到的标准算例构型比较吻合实际蛋白质折叠的直观构型.计算结果验证了改进模型的有效性.对后续的研究提出了建议.     

蛋白质在格子模型中改进的PERM算法

PERM算法是当前蛋白质结构预测的格子模型优化算法中最为有效的一种算法,在该算法的基础上,我们提出了一种改进的增长算法IPERM。该方法简化了PERM算法中的权重计算公式,在遇到不同类型的残基时选用不同的上下限阂值以提高算法的有效性,并根据链长的大小使用不同的网格尺寸。实验结果表明,改进的增长算法使得HP序列在格子模型中能更快地找到其能量最低构象。     

求解HP模型蛋白质折叠问题的启发式算法

构造了一个新的数学模型,把三维HP模型的蛋白质折叠问题由一个有约束的优化问题转化为无约束的优化问题,通过建立相对坐标和邻域结构,提出了一个局部搜索算法,并对文献中的链长不同的7个算例进行了测试。结果表明,该算法能在较短时间内找到其中5个算例的最优能量枸形,对另外2个难例,则可以找到能量仅比最优构形高一个单位的次优构形。     

蛋白质折叠问题的蚁群优化算法研究

蛋白质是一类重要的生物大分子,在生物体内占有特殊的地位,是生命的主要承担者。而研究蛋白质的折叠,是生命科学领域的前沿课题之一。在概述蚁群算法及2D HP蛋白质模型的基础上,针对蛋白质折叠问题提出一种蚁群优化算法,并用几个比较典型的模型对其进行仿真实验,结果表明该蚁群优化算法在求解蛋白质折叠问题时表现出了良好的性能。实践表明该算法具有很高的应用价值。     

改进的粒子群算法求解蛋白质结构预测问题

蛋白质的生物学功能是由其空间结构决定的,因此,蛋白质结构预测就成为生物信息学领域中极具挑战性的问题之一.粒子群算法是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景.在优化领域,粒子群算法适用 于求解连续优化问题,而基于HP格点模型的蛋白质结构预测问题是一个离散问题.因此,文中通过借鉴单点调整算法的思...     

基于模拟退火算法的蛋白质折叠问题求解

论文将模拟退火思想用于蛋白质结构预测问题,并在此基础上提出改进策略,计算结果表明,对于蛋白质折叠问题模拟退火算法是有效的,改进后的模拟退火算法的计算效率优于目前常用的遗传算法和MonteCarlo方法。     

Quasi-Physical Algorithm of an Off-Lattice Model for Protein Folding Problem

Protein folding problem is one of the most prominent problems of bioinformatics. In this paper, we study a three-dimensional off-lattice protein AB model with two species of monomers, hydrophobic and hydrophilic, and present a heuristic quasi-physical algorithm. By elaborately simulating the movement of the smooth elastic balls in the physical world, the algorithm finds low-energy configurations for a given monomer chain. A subsequent ＂off-trap＂ strategy is proposed to trigger a jump for a stuck situation in order to get out of local minima. The methods have been tested in the off-lattice AB model. The computational results show promising performance. For all sequences with 13 to 55 monomers, the algorithm finds states with lower energy than previously proposed putative ground states. Furthermore, for the sequences with 21, 34 and 55 monomers, new putative ground states are found, which are different from those given in present literature.     

蛋白质折叠计算机模拟研究进展

蛋白质折叠过程中的结构变异可能导致"折叠病",比如老年痴呆症和多聚谷氨酰胺疾病等。因此蛋白质折叠研究对于揭示"折叠病"致病机理、指导药物设计等具有重大意义。文章阐述了蛋白质折叠计算机模拟研究的研究近况,分别介绍了蛋白质侧链研究、蛋白质折叠算法、蛋白质折叠病研究、蛋白质的分子动力学模拟和蛋白质结构预测等几个方面。     

机器学习方法在蛋白质折叠结构预测中的应用研究

蛋白质的生物功能是由它们的空间折叠结构决定的,理解蛋白质的折叠过程是生物信息学领域中极具挑战性的问题之一。近年来,各种优化方法用于蛋白质空间折叠结构预测。这些方法仍存在着不足,算法在变量数目增大时,难以收敛到全局最优解,并容易产生早熟收敛,从而影响求解精度和效率。针对蛋白质结构预测模型多变量多极值的特点,文章采用机器学习方法对蛋白质进行折叠结构预测。