基于随机优化的老年痴呆致病机理的分析方法

摘要

本发明涉及一种基于随机优化的老年痴呆致病机理的分析方法，包括以下步骤：S1、确定能量模型：采用ECEPP能量力场模型以及角度坐标系；S2、搜索最小自由能蛋白质构型；S3、计算蛋白质的态密度。本发明的基于随机优化的老年痴呆致病机理的高效分析方法，与经典的WangLandau算法相比，使用具有全局更新特点的分段函数形式的修正因子能加快搜索和模拟速度，利用退火机制的灵活的更新修正因子方式可提高模拟精度和速度，且该方法的并行方式可大大加快搜索和模拟速度。

主权项

1.一种基于随机优化的老年痴呆致病机理的分析方法，其特征在于，包括以下步骤：S1、确定能量模型：采用ECEPP能量力场模型以及角度坐标系；S2、搜索最小自由能蛋白质构型：包括主进程，S211、局部最小化方法获得能量上界E_min和能量下界E_max，初始化蛋白质系统的态密度对数S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；S212、进行Metropolis式的随机变动，构建新构型，计算能量E_new、并修改E_min或E_max为E_new；S213、重复步骤S212，完成进程间通信，计算全局S(E)；广播全局S(E)至所有从进程；S214、执行步骤S212至步骤S213的迭代，E_min三次保持，迭代终止；从进程，S221、局部最小化方法获得能量上界E_min和下界E_max，初始化蛋白质系统的态密度对数S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；S222、进行Metropolis式的随机变动，构建新构型，计算能量E_new、并修改E_min或E_max为E_new；S223、重复步骤S222，完成进程间通信，接收步骤S213计算的全局S(E)；S224、执行步骤S222、步骤S223，接收步骤S214迭代终止信息，停机；S3、计算蛋白质的态密度：主进程，S311、初始化蛋白质系统的态密度对数S(E)，直方图H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；S312、进行Metropolis式的随机变动，构建新构型，计算能量E_new；S313、重复步骤S312，完成进程间通信，计算全局S(E)、H(E)；判断直方图平缓阈值，当满足是执行步骤S314，否则重复执行步骤S312、步骤S313迭代；S314、改变df，并执行步骤S312至步骤S313的迭代，直至df小于第二阈值，获得蛋白质系统的相对的态密度从进程，S321、初始化蛋白质系统的态密度对数S(E)，直方图H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；S322、进行Metropolis式的随机变动，构建新构型，计算能量E_new；S323、重复步骤S322，完成进程间通信，接收步骤S313计算的全局S(E)、H(E)，即更新原S(E)、H(E)；判断直方图平缓阈值，当满足是执行步骤S324，否则重复执行步骤S322、步骤S323迭代；S324、改变df，并执行步骤S322至步骤S323的迭代，直至df小于第二阈值。