基于HNP模型的强化学习状态空间表示方法

蛋白质结构预测是生物信息领域中具有挑战性的问题之一。将强化学习运用在HNP晶格模型的最优结构发现中,性能出色,但结构预测所需的状态空间巨大,容易导致维数灾难问题。在全状态空间基础上,进一步提出半状态空间与简单状态空间方法,以达到约减状态空间的目的,同时对奖赏函数与策略进行定量分析。实验结果表明,该方法有效解决全状态空间无法计算长序列的缺点,其中简单状态空间较全状态空间有3条序列预测出更低能量,半状态空间较全状态空间方法全部6条长序列都预测出更低能量,且半状态空间预测的能量平均值较简单状态空间降低了9.83百分点。

蛋白质分子的HNP格点模型

从 6 0种球形蛋白质的结构出发 ,采用Miyazawa Jernigan相互作用矩阵 ,计算了蛋白质分子中氨基酸之间的相互作用能 .发现构成蛋白质分子的 2 0种氨基酸可分成疏水 (Hydrophobic ,H)、中性 (Neutral,N)、亲水(Hydrophilic ,P)基团 .在计算它们之间相互作用能的基础上 ,建立了蛋白质分子的HNP格点模型 .用这个模型计算了二维蛋白质分子在自然态 (Nativestate)时的构象性质 .同时研究了氨基酸序列为HHNHNPNHPP HPNPPHPHPPHHPHNH的折叠过程 ,得到其基态能量为 - 6 4 89RT .