基于粒子群的分子对接算法

论文摘要

分子对接算法是药物研究与设计中一种重要的工具。要在有效的时间内完成对数据库的扫描需要一种高效分子对接算法。本文将粒子群算法引入分子对接平台,进行综合比较测试。根据粒子群算法实现了一种高效的分子对接算法PetDock。PetDock不仅能进行蛋白质与小分子的对接,也能有效的进行蛋白质与多肽的对接。分子对接问题可以转化为一个优化问题,其优化的目标就是寻找能量最低的构象。其包含两个方面,一是快速有效的构象取样算法也就是我们所说的搜索算法,可以在可行域内按照启发式规则遍历构象空间找到最优构象；另一个是好的能量打分函数,能够在合理地表示两个蛋白质的喜好程度,在优化问题中也被称为目标函数或适应度函数。本文将经典的粒子群变种引入经典分子对接平台中,从而将粒子群算法全面的引入分子对接,对其进行综合测试。测试的结果显示,与拉马克遗传算法相比,粒子群算法表现更加优秀特别是FIPS。以FIPS为搜索算法实现了分子对接算法PetDock,并将PetDock与经典的分子对接算法进行了比较。结果显示,PetDock在搜索能力胜于使用相同力场的AutoDock和SODOCK,在精度上优于四种经典的分子对接算法。本课题还进行了进一步研究,将PetDock运用到蛋白质与多肽的对接上。对接实验证明,PetDock在蛋白质与多肽对接上效果显著。

论文目录

• 摘要
• Abstract
• 引言
• 1 绪论
• 1.1 分子对接背景及意义
• 1.2 计算机辅助药物设计
• 1.3 优化算法
• 1.4 分子对接的物质基础
• 1.5 本文工作介绍
• 2 分子对接基本原理
• 2.1 概述
• 2.2 分子对接原理
• 2.2.1 原理简单概述
• 2.2.2 分子对接模型表达
• 2.2.3 分子对接的方法
• 2.3 分子对接研究热点
• 2.3.1 构象搜索算法
• 2.3.2 分子对接中计算机模型
• 2.4 应用最广泛的分子对接软件之一AutoDock
• 3 分子对接中的优化算法
• 3.1 优化理论概述
• 3.1.1 最优化方法
• 3.1.2 标准形式
• 3.1.3 最优化方法的分类
• 3.2 进化计算之遗传算法
• 3.2.1 遗传算法概述
• 3.2.2 遗传算法原理
• 3.3 粒子群算法
• 4 粒子群优化算法的变种
• 4.1 带有惯性因子的粒子群算法（PSOw）
• 4.2 约束因子的粒子群算法（PSOcf）
• 4.3 邻域模型的粒子群算法（PSO-local）
• 4.4 标准粒子群算法
• 4.5 统一的粒子群算法（UPSO）
• 4.6 全信息的粒子群算法（FIPS）
• 4.7 基于适应值距离比的粒子群算法（FDR-PSO）
• 4.8 相互协助的粒子群算法（CPSO-H）
• 4.9 广泛学习的粒子群算法（CLPSO）
• 4.10 处理分子对接的SODOCK
• 5 实验与结果分析
• 5.1 AutoDock问题表述
• 5.2 算法实现与运行环境
• 5.3 参数设置与数据准备
• 5.4 结果与分析
• 5.4.1 搜索能力
• 5.4.2 对接精度
• 6 蛋白质与多肽对接
• 6.1 蛋白质与多肽的对接意义
• 6.2 与已发表的算法的比较
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢