蛋白質結構預測的噪聲算法研究.pdf

1、由于蛋白質的結構揭示了活細胞和患病細胞中蛋白質的功能等重要信息，所以了解蛋白質的天然結構是至關重要的。蛋白質結構預測在不同的領域都有非常重要的應用，如藥物設計、疾病預測等。蛋白質結構預測問題已被證明是一種非常復雜的計算難題，屬于 NP-難問題。在蛋白質結構預測中，有兩個重要的難題，一個是蛋白質結構模型的設計，另一個是優(yōu)化算法的設計。
　　由于真實的蛋白質結構復雜，目前大部分蛋白質結構預測方法都涉及顯著降低蛋白質結構的復雜度，這些方

2、法將高復雜度的蛋白質結構轉換為離散的低復雜度模型。在本文中所采用的結構模型是一個簡化的模型，稱為AB非格點模型。模型確定后，需要優(yōu)化算法來搜索基于該結構模型的蛋白質序列的最佳構象。目前對蛋白質結構預測的優(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之一是需要調整很多參數(shù)，而且算法對這些參數(shù)一般都具有較高的敏感度。算法的調參工作非常繁瑣，但又是必不可少的。對此，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)簡化為只剩一個，并將 LBNM算法用于研究二維AB模型的蛋白質結構預測問題，主要研究內容包括：
　　將基于列表的思想加入到基本的噪聲算法中，簡化了算法的參數(shù)。LBNM算法只有一個參數(shù)——噪聲列表的長度。使用基于列表的降噪策略，所有的噪聲值都存儲在一個優(yōu)先隊列中。噪聲值越大，其優(yōu)先級就越高。在算法的運行過程中，噪聲列表會隨著解空間拓撲結構的變化而自動更新，即算法的降噪

4、過程是自適應的。為了驗證算法的有效性，將LBNM算法應用于組合優(yōu)化問題中，并對算法的性能和參數(shù)敏感度進行分析。實驗結果證明，LBNM算法中唯一的參數(shù)——噪聲列表長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果，而該算法僅僅只有一個參數(shù)。
　　為了更好地將LBNM算法應用在蛋白質結構預測問題上，本文對LBNM算法進行了一些改進，提出了一種新的基于列表的多 ag

5、ent自適應鄰域噪聲算法（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思想實現(xiàn)算法的獨立并行，引入自適應的鄰域結構和采樣粒度以增強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性，本文在人工蛋白質上對Multi-move貪婪策略的參數(shù)進行了調整和分析。