距离约束的HMC采样算法在蛋白质结构预测中的运用

罗　升，吕　强

(1.苏州大学计算机科学与技术学院，苏州 215006　2.苏州大学江苏省计算机信息处理技术重点实验室，苏州 215006)



距离约束的HMC采样算法在蛋白质结构预测中的运用

罗升1，吕强2*

(1.苏州大学计算机科学与技术学院，苏州 2150062.苏州大学江苏省计算机信息处理技术重点实验室，苏州 215006)

摘要：蛋白质结构预测中，采样是指在构象空间中生成具有最小自由能的状态。传统的采样方法是对自由度直接赋值。这种方法在处理较少的残基时能取得好的效果。但是对于包含100个残基以上的蛋白质结构，由于构象空间的急剧增长，难以得到理想的结构。本文引入深度学习中的HMC(Hybrid Monte Carlo)采样方法，以概率分布为依据对蛋白质的自由度进行采样，能够对包含100、200甚至更多个残基的蛋白质结构进行采样。并且，在采样的过程中加入残基间的距离约束，使得一个结构中，相对于Rosetta的ab initio最多有75%(平均40% )的残基对得到优化，满足距离约束。

关键词：距离约束；HMC；采样；结构预测；蛋白质

近年来，从头预测的方法在蛋白质结构预测领域取得了不错的成绩。但是，就目前的技术手段而言，从头预测的方法仍然面临两大基本难点[1]：第一，由于蛋白质内部原子相互作用的复杂性，人们难以找到足够准确的能量函数来描述一个蛋白质构象；第二，蛋白质结构的构象空间相当大，尤其在残基序列较长的时候，如果没有合适的、高效的采样算法，蛋白质构象采样将是一个“灾难性”的计算问题。由此可见，采样算法在从头预测的方法中有着举足轻重的地位[2]，因此，许多研究者针对这一问题开发了多种适用于蛋白质三维结构采样的算法，比如改进的遗传算法[3]、构象空间退火[4-5]和分子动力学模拟采样[6]。……