基于改进PSO的蛋白质三维结构预测

摘要：本文首先将速度变异策略引入到传统PSO算法，以克服传统PSO易早熟的缺陷。然后基于AB非格点模型，将改进后的PSO应用在蛋白质三维结构预测问题中。实验结果表明，与其他方法相比，本文方法不仅可以得到相应蛋白质链的近似最优构型，而且对于长序列预测有一定的优势。

关键词：粒子群算法 蛋白质三维结构 预测

中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2015）03-0096-01

1 引言

蛋白质的三维结构预测问题实质上是在巨大解空间中寻找最优解的问题。本文基于AB非格点模型，采用改进的粒子群算法（Particle Swarm Optimization， PSO）对蛋白质三维结构进行了预测。实验结果表明，本文方法可以得到相应蛋白质链的近似最优构型。

2 基于改进PSO的蛋白质三维结构预测

本文将速度变异策略引入到基本PSO[2]算法中，提高算法的收敛性能和寻优速度。然后将改进后的PSO算法应用到蛋白质三维结构预测，以确定末端键角θi（i=2，…，n-1）。算法具体步骤如下：

Step 1： 初始化粒子群，随机产生所有粒子的位置（即末端键角θi）和速度。

Step 2： 按AB非格点模型

计算每个粒子的适应值，按传统PSO算法更新每个粒子的个体历史最佳位置pbest和群体最优位置gbest。

Step 3： 按传统PSO算法更新粒子群的速度和位置。

Step 4： 寻找每个粒子中速度绝对值最小的速度分量vit。将变异概率ρ与产生的随机数rand比较，若ρ

Step 5： 如果没有满足终止条件，则返回Step 2；否则，退出算法，得到最优解gbest。

3 实例分析

为了验证本文中的蛋白质三维结构预测方法的有效性，使用国际上常用的算例-斐波拉切数列进行预测。为了比较，这里还使用了PERM算法进行预测。改进PSO算法的参数设置如下：惯性因子为0.6，加速常数分别为2和2，粒子群规模为100，最大迭代次数为100，最小适应值为0.1，粒子群速度限定在[-1，1]之间，变异概率为0.5，实验结果如表1所示。从表1中可以看出，相对于PERM算法，本文算法得出的最优能量值更接近于目前被公认最优的PERM+共轭梯度法的能量值，且在一定范围内序列长度越大，本文算法的预测效果越好。

4 结语

为了克服传统PSO易早熟的缺陷，本文使用速度变异策略对传统PSO算法进行改进，并将其应用在基于AB非格点模型的蛋白质三维结构预测问题中。实验结果表明，与其他方法相比，本文方法不仅可以得到相应蛋白质链的近似最优构型，而且对于长序列预测有一定的优势。

参考文献

[1]高冶.基于二级结构的蛋白质三维结构预测方法研究[D].海南大学硕士学问论文，2013.4.

[2]周碧英.粒子群优化神经网路算法在非线性系统辨识中的应用研究[J].计算机与数字工程，2013，41（8）：1220-1221.