蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的噪聲算法研究.pdf

1、由于蛋白質(zhì)的結(jié)構(gòu)揭示了活細(xì)胞和患病細(xì)胞中蛋白質(zhì)的功能等重要信息，所以了解蛋白質(zhì)的天然結(jié)構(gòu)是至關(guān)重要的。蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)在不同的領(lǐng)域都有非常重要的應(yīng)用，如藥物設(shè)計(jì)、疾病預(yù)測(cè)等。蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)問題已被證明是一種非常復(fù)雜的計(jì)算難題，屬于 NP-難問題。在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)中，有兩個(gè)重要的難題，一個(gè)是蛋白質(zhì)結(jié)構(gòu)模型的設(shè)計(jì)，另一個(gè)是優(yōu)化算法的設(shè)計(jì)。
　　由于真實(shí)的蛋白質(zhì)結(jié)構(gòu)復(fù)雜，目前大部分蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法都涉及顯著降低蛋白質(zhì)結(jié)構(gòu)的復(fù)雜度，這些方

2、法將高復(fù)雜度的蛋白質(zhì)結(jié)構(gòu)轉(zhuǎn)換為離散的低復(fù)雜度模型。在本文中所采用的結(jié)構(gòu)模型是一個(gè)簡(jiǎn)化的模型，稱為AB非格點(diǎn)模型。模型確定后，需要優(yōu)化算法來搜索基于該結(jié)構(gòu)模型的蛋白質(zhì)序列的最佳構(gòu)象。目前對(duì)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的優(yōu)化算法有蒙特卡羅法、模擬退火算法、粒子群優(yōu)化算法等。這些算法的主要缺點(diǎn)之一是需要調(diào)整很多參數(shù)，而且算法對(duì)這些參數(shù)一般都具有較高的敏感度。算法的調(diào)參工作非常繁瑣，但又是必不可少的。對(duì)此，本文提出了一種基于列表的噪聲算法(List-Base

3、d Noising Method，LBNM)，將基本噪聲算法的參數(shù)簡(jiǎn)化為只剩一個(gè)，并將 LBNM算法用于研究二維AB模型的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)問題，主要研究?jī)?nèi)容包括：
　　將基于列表的思想加入到基本的噪聲算法中，簡(jiǎn)化了算法的參數(shù)。LBNM算法只有一個(gè)參數(shù)——噪聲列表的長(zhǎng)度。使用基于列表的降噪策略，所有的噪聲值都存儲(chǔ)在一個(gè)優(yōu)先隊(duì)列中。噪聲值越大，其優(yōu)先級(jí)就越高。在算法的運(yùn)行過程中，噪聲列表會(huì)隨著解空間拓?fù)浣Y(jié)構(gòu)的變化而自動(dòng)更新，即算法的降噪

4、過程是自適應(yīng)的。為了驗(yàn)證算法的有效性，將LBNM算法應(yīng)用于組合優(yōu)化問題中，并對(duì)算法的性能和參數(shù)敏感度進(jìn)行分析。實(shí)驗(yàn)結(jié)果證明，LBNM算法中唯一的參數(shù)——噪聲列表長(zhǎng)度具有非常好的魯棒性，而且在迭代次數(shù)相同的情況下，LBNM算法能夠獲得與現(xiàn)有的其他較好的智能優(yōu)化算法相同甚至是更好的結(jié)果，而該算法僅僅只有一個(gè)參數(shù)。
　　為了更好地將LBNM算法應(yīng)用在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)問題上，本文對(duì)LBNM算法進(jìn)行了一些改進(jìn)，提出了一種新的基于列表的多 ag

5、ent自適應(yīng)鄰域噪聲算法（Multi-agent List-Based Noising Method with adaptive neighbor，MLBNM）。MLBNM算法采用Multi-move貪婪策略加快算法收斂速度，引入多 agent思想實(shí)現(xiàn)算法的獨(dú)立并行，引入自適應(yīng)的鄰域結(jié)構(gòu)和采樣粒度以增強(qiáng)算法的全局搜索能力。為了有效平衡MLBNM算法的貪婪性和隨機(jī)性，本文在人工蛋白質(zhì)上對(duì)Multi-move貪婪策略的參數(shù)進(jìn)行了調(diào)整和分析。