張居曉 殷濤 孟朝暉

摘要:提出了一種新的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型——圖值神經(jīng)網(wǎng)絡(luò)。該模型以半邊圖理論為依據(jù)，用可結(jié)合半邊圖模型表示原子間和原子團(tuán)間相互的結(jié)合作用，從而將對(duì)蛋白質(zhì)的正確折疊起關(guān)鍵作用的大分子相互作用因素和環(huán)境融合進(jìn)圖值神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。此外，針對(duì)全原子計(jì)算量大的缺點(diǎn)，在圖值神經(jīng)網(wǎng)絡(luò)中引入基團(tuán)，從而在一定程度上減小了計(jì)算量。通過對(duì)模擬蛋白質(zhì)折疊過程中能量變化的分析，實(shí)驗(yàn)表明這種融合了原子間以及原子團(tuán)間作用力的模型是完全可行的。

關(guān)鍵詞:蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)；圖值神經(jīng)網(wǎng)絡(luò)；半邊圖；基團(tuán)

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)01-0112-04

Architecture of Graph-valued Neural Network and its Application in the Protein Folding Prediction

ZHANG Ju-xiao1，YIN Tao2，MENG Zhao-hui2

（1.Nanjing Technical College of Special Education, Nanjing 210038, China; 2.Computer & Information College of Hohai University , Nanjing 210098, China）

Abstract: Graph-Valued Neural Network is based on the theory of half-link graph, it can not only be used to represent the force be? tween the atoms, but also the force between the atomic groups. Thus, the factors which play a key role in protein folding can be taken into Graph-Valued Neural Network. In addition, given the massive amount of calculation, we also bring“Group”into Graph-Valued Neural Network to reduce the amount of calculation to some extend. After analyzing changes of energy in the process of protein folding simula? tion, we come to a conclusion that the prediction model which combined with the force between the atoms and the force between the atomic groups is feasible.

Key words: Protein Structure Prediction; Graph-Valued Neural Network; Half-Link Graph; Group

僅依賴于蛋白質(zhì)的一級(jí)結(jié)構(gòu)（氨基酸序列）即可預(yù)測(cè)其二級(jí)甚至三級(jí)結(jié)構(gòu)的傳統(tǒng)觀念。這一觀念來源于諾獎(jiǎng)得主Anfinsen[1]提出的蛋白質(zhì)的一級(jí)結(jié)構(gòu)決定其高級(jí)結(jié)構(gòu)的學(xué)說。我們目前所見的大多數(shù)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的經(jīng)典計(jì)算模型皆是建立在此學(xué)說的基礎(chǔ)上。簡(jiǎn)單說，就是計(jì)算模型的輸入數(shù)據(jù)僅僅為蛋白質(zhì)的一級(jí)結(jié)構(gòu)，經(jīng)過模型的計(jì)算，輸出為預(yù)測(cè)出的蛋白質(zhì)的高級(jí)結(jié)構(gòu)（二級(jí)結(jié)構(gòu)和部分三級(jí)結(jié)構(gòu)的關(guān)鍵部位構(gòu)型）。但是分子生物學(xué)實(shí)驗(yàn)的研究成果早已表明，有許多蛋白質(zhì)并不能自發(fā)折疊成正確的立體結(jié)構(gòu)，需要在各種特定的細(xì)胞環(huán)境下并依靠其它生物大分子（包括蛋白質(zhì)）的輔助才能形成正確的三級(jí)結(jié)構(gòu)。在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的各種模型中，以（數(shù)值型）神經(jīng)網(wǎng)絡(luò)方法為主，這種模型雖然很成熟，但是不適合表達(dá)蛋白質(zhì)中各原子相互作用，只能用來預(yù)測(cè)二級(jí)結(jié)構(gòu)，并且二級(jí)結(jié)構(gòu)的預(yù)測(cè)正確率也不高。在這時(shí)，α螺旋或β折疊二級(jí)結(jié)構(gòu)只是被視為附加在一級(jí)結(jié)構(gòu)上每個(gè)氨基酸的某種結(jié)構(gòu)特征標(biāo)記，并不考慮氨基酸鏈之間的相互作用關(guān)系及更復(fù)雜的立體相互作用，也就不能表示出蛋白質(zhì)的三級(jí)結(jié)構(gòu)。因此，目前尚缺乏一種合適的計(jì)算模型用于模擬考慮融合折疊環(huán)境的蛋白質(zhì)三級(jí)結(jié)構(gòu)的預(yù)測(cè)。

如果能夠?qū)⒌鞍踪|(zhì)的真實(shí)折疊環(huán)境融合進(jìn)預(yù)測(cè)計(jì)算模型，一定能夠提高蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的正確率，對(duì)蛋白質(zhì)而言，其真實(shí)折疊環(huán)境就是異構(gòu)酶、分子伴侶等因素。抽象而言，所謂蛋白質(zhì)折疊的真實(shí)環(huán)境，實(shí)質(zhì)就是大分子相互作用的環(huán)境。

綜上所述，我們需要一種新的預(yù)測(cè)模型，該預(yù)測(cè)模型要設(shè)計(jì)得適于表現(xiàn)原子之間和原子團(tuán)之間的相互結(jié)合作用，則該模型就能夠模擬大分子相互作用的蛋白質(zhì)真實(shí)折疊環(huán)境，并且該模型以不同層次、不同尺度的原子團(tuán)為計(jì)算單元，則新模型也能夠預(yù)測(cè)蛋白質(zhì)的三級(jí)結(jié)構(gòu)。

1圖值神經(jīng)網(wǎng)絡(luò)模型

與神經(jīng)網(wǎng)絡(luò)模型類似，本文所提出的計(jì)算模型也具有輸入、輸出以及學(xué)習(xí)過程三種要素，但該模型與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)卻有很大的不同，即網(wǎng)絡(luò)中傳遞的信息類型不同。原有的神經(jīng)網(wǎng)絡(luò)的輸入、輸出包括在其中傳遞的都是數(shù)值類型的信息，這種神經(jīng)網(wǎng)絡(luò)模型既無法考慮原子之間跟原子團(tuán)之間的相互作用，也無法考慮異構(gòu)酶、分子伴侶這些大分子對(duì)蛋白質(zhì)的正確折疊所起的作用，而恰恰正好是這些作用，才是影響預(yù)測(cè)正確率的真正因素，因此，本文設(shè)計(jì)了一種圖值信息，該信息能夠較真實(shí)的模擬蛋白質(zhì)的折疊環(huán)境，而傳遞這種信息的網(wǎng)絡(luò)模型稱之為圖值神經(jīng)網(wǎng)絡(luò)。

除了網(wǎng)絡(luò)中信息類型不同之外，兩者神經(jīng)元也有一定區(qū)別。一般的，神經(jīng)網(wǎng)絡(luò)其每層中的神經(jīng)元個(gè)數(shù)在進(jìn)行學(xué)習(xí)前都是已經(jīng)確定好了的，但是圖值神經(jīng)網(wǎng)絡(luò)中神經(jīng)元是以原子為基礎(chǔ)的，也即底層的神經(jīng)元與蛋白質(zhì)中的原子是一一對(duì)應(yīng)的，考慮到每種蛋白質(zhì)所包含的原子數(shù)目不同，因此，圖值神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)輸入前每層中的神經(jīng)元個(gè)數(shù)是不確定的。

1.1輸入預(yù)處理

對(duì)用作生物序列分析的神經(jīng)網(wǎng)絡(luò)而言，數(shù)據(jù)輸入的預(yù)處理就是確定采用何種編碼序列的方法把序列(字符串)轉(zhuǎn)換成網(wǎng)絡(luò)的輸入向量，以便適合問題的解釋。常用的編碼方式為21位的二進(jìn)制數(shù)表示的正交編碼[2]，其中20位用于表示20種氨基酸，每種氨基酸都對(duì)應(yīng)了其中某一位為1其它位為0的情況。圖值神經(jīng)網(wǎng)絡(luò)則跟傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同，其所需的輸入將不再是數(shù)值型的，而是用半邊圖表示的圖值。

1.1.1半邊圖模型

半邊圖模型[3]主要由三個(gè)要素組成：半邊、頂點(diǎn)和邊。半邊是組成頂點(diǎn)的基本元素，一個(gè)半邊屬于某個(gè)頂點(diǎn)且分為不同的半邊類型，半邊與其它的半邊可以相結(jié)合。頂點(diǎn)是組成圖的基本元素，頂點(diǎn)本身由有序的若干個(gè)半邊組成，具有n個(gè)半邊的頂點(diǎn)，稱為n度頂點(diǎn)。若兩個(gè)頂點(diǎn)的兩個(gè)半邊的類型對(duì)是半邊結(jié)合類型，則這兩個(gè)半邊就可以相結(jié)合，若兩個(gè)半邊已結(jié)合在一起，則兩個(gè)半邊合起來稱為一個(gè)邊。圖1左半部分顯示了兩個(gè)一度頂點(diǎn)的半邊結(jié)合過程。

在實(shí)際的大分子結(jié)構(gòu)中，不同的原子可以跟一個(gè)或多個(gè)原子相結(jié)合，用半邊圖模型表示這種關(guān)系就是n度頂點(diǎn)，如上圖右半部分所示，中心頂點(diǎn)表示了一個(gè)碳原子，其四個(gè)半邊分別與不同原子結(jié)合形成四條邊。按照上述規(guī)則，將丙氨酸殘基表示成的半邊圖如圖2所示。

1.1.2基團(tuán)、扭轉(zhuǎn)角

基團(tuán)是由一系列原子構(gòu)成的結(jié)構(gòu)穩(wěn)定的原子團(tuán)。基團(tuán)內(nèi)部原子相對(duì)位置不變，而基團(tuán)間原子相對(duì)位置是變化的。丙氨酸殘基可以劃分為4個(gè)基團(tuán)，在圖3中用虛線框表示，由于殘基兩端的基團(tuán)由兩個(gè)相鄰殘基中原子構(gòu)成，這里分別用SUC、PRE表示后繼、前驅(qū)殘基部分。

扭轉(zhuǎn)角由四個(gè)相鄰原子構(gòu)成，例如上圖中的N-C-C-N構(gòu)成扭轉(zhuǎn)角ψ，C-C-N-C構(gòu)成扭轉(zhuǎn)角φ。扭轉(zhuǎn)角按照其可以旋轉(zhuǎn)的范圍又分為廣義扭轉(zhuǎn)角和狹義扭轉(zhuǎn)角。廣義扭轉(zhuǎn)角位于基團(tuán)間，其取值范圍較大，比如圖3中的φ、ψ、χ1。有些廣義扭轉(zhuǎn)角如果排除受位阻限制以及位置重疊兩種情況的話，可以自由旋轉(zhuǎn)。狹義扭轉(zhuǎn)角則位于基團(tuán)中，取值范圍較小，例如ω，其取值范圍在180°范圍內(nèi)。

本文設(shè)想通過調(diào)整扭轉(zhuǎn)角來模擬蛋白質(zhì)的折疊過程，而有些原子團(tuán)間的結(jié)構(gòu)是穩(wěn)定的，其形成的扭轉(zhuǎn)角是固定的，我們將這些原子團(tuán)劃分為基團(tuán)，這就是基團(tuán)中的扭轉(zhuǎn)角為狹義扭轉(zhuǎn)角的原因。這樣一來，模擬折疊只需調(diào)整廣義扭轉(zhuǎn)角，即基團(tuán)間的扭轉(zhuǎn)角。

1.2計(jì)算模型

計(jì)算模型中主要包括建立力場(chǎng)、扭轉(zhuǎn)角、立體坐標(biāo)、空間碰撞關(guān)系模型，而這些模型之間的關(guān)系如下：

1）扭轉(zhuǎn)角、立體坐標(biāo)：兩者是互相確定的關(guān)系。

2）力場(chǎng)、立體坐標(biāo)：吸力和斥力的計(jì)算依賴于立體坐標(biāo)。

3）空間碰撞、立體坐標(biāo)：空間碰撞的計(jì)算依賴于立體坐標(biāo)。4）力場(chǎng)、扭轉(zhuǎn)角：吸力或斥力推動(dòng)扭轉(zhuǎn)角的調(diào)整需求。

5）空間碰撞、扭轉(zhuǎn)角：空間碰撞約束制約扭轉(zhuǎn)角的調(diào)整。

其中，立體坐標(biāo)是這些關(guān)系的紐帶，但立體坐標(biāo)不唯一，同樣構(gòu)型的蛋白質(zhì)經(jīng)過平移旋轉(zhuǎn)后立體坐標(biāo)就不一樣，而扭轉(zhuǎn)角能夠唯一確定蛋白質(zhì)的構(gòu)型，這也是選擇對(duì)扭轉(zhuǎn)角進(jìn)行調(diào)整的原因；空間碰撞模型根據(jù)立體位阻、空間重疊以及共價(jià)鍵旋轉(zhuǎn)能障等建立；力場(chǎng)模型由電荷分布模型確定。

計(jì)算模型模擬蛋白質(zhì)折疊的動(dòng)態(tài)聚合過程，總體可以分為模擬折疊系統(tǒng)、構(gòu)型比較系統(tǒng)、學(xué)習(xí)和修正系統(tǒng)三部分，三者間關(guān)系如圖所示。

1.2.1模擬折疊系統(tǒng)

模擬折疊系統(tǒng)，將不含立體坐標(biāo)信息的蛋白質(zhì)序列折疊成具有合適空間結(jié)構(gòu)的蛋白質(zhì)。初始輸入為一個(gè)長(zhǎng)棍模型，所有的主鏈扭轉(zhuǎn)角(φ、ψ、ω)為180°，其它的側(cè)鏈扭轉(zhuǎn)角(χ1、χ2、etc)從初始庫(kù)中提取，然后按照吸力或斥力推動(dòng)扭轉(zhuǎn)角的調(diào)整，逐漸折疊為一個(gè)合適的立體構(gòu)型，圖5為模擬折疊計(jì)算流程。

1）根據(jù)長(zhǎng)棍模型賦予扭轉(zhuǎn)角初始值；

2）根據(jù)扭轉(zhuǎn)角初值計(jì)算初始立體坐標(biāo)；3）根據(jù)當(dāng)前立體坐標(biāo)計(jì)算吸力與斥力；

4）根據(jù)吸力與斥力推算出需要調(diào)整的扭轉(zhuǎn)角并更新扭轉(zhuǎn)角；

5）根據(jù)調(diào)整過的扭轉(zhuǎn)角求出新的立體坐標(biāo)；

6）判斷新立體坐標(biāo)是否滿足碰撞模型約束，滿足轉(zhuǎn)8），不滿足轉(zhuǎn)7）；7）根據(jù)碰撞模型約束微調(diào)扭轉(zhuǎn)角，轉(zhuǎn)5）；

8）判斷立體結(jié)構(gòu)是否夠緊密或者不用再調(diào)整，是就停止，否則繼續(xù)轉(zhuǎn)3）。

扭轉(zhuǎn)角更新系統(tǒng)：是模擬折疊系統(tǒng)中的關(guān)鍵部分，該系統(tǒng)根據(jù)當(dāng)前的吸力和斥力推算出需要調(diào)整的扭轉(zhuǎn)角，并給出調(diào)整量。

對(duì)于小的、球型蛋白質(zhì)，基本上是自發(fā)折疊的，而較大的蛋白質(zhì)和膜蛋白質(zhì)則需要其它蛋白質(zhì)（折疊伴侶）和折疊環(huán)境的輔助。

每一個(gè)扭轉(zhuǎn)角由其一定距離范圍內(nèi)的若干原子間吸力和斥力決定，反過來，每一對(duì)原子間吸力和斥力均推動(dòng)一系列的扭轉(zhuǎn)角的調(diào)整，扭轉(zhuǎn)角和原子間力之間是多對(duì)多的關(guān)系，折疊伴侶和折疊環(huán)境的力關(guān)系也可以體現(xiàn)在其中，這里有很多種變化和選擇，我們要嘗試各種方案，這里是科研的重點(diǎn)。

1.2.2構(gòu)型比較系統(tǒng)

構(gòu)型比較系統(tǒng)，模擬折疊出的蛋白質(zhì)與真實(shí)蛋白質(zhì)（從PDB數(shù)據(jù)庫(kù)中選?。?huì)有不同，將模擬折疊出的構(gòu)型與實(shí)際的構(gòu)型進(jìn)行比較，得出比較結(jié)果。這種比較是結(jié)構(gòu)的比較，需要系統(tǒng)化的方法。

1.2.3學(xué)習(xí)與修正系統(tǒng)

神經(jīng)網(wǎng)絡(luò)方法在蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)中應(yīng)用最廣的是BP神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)模型使用的BP算法其主要思想是將學(xué)習(xí)過程分為3部分：

1）正向傳播，該部分是輸入信號(hào)從輸入層經(jīng)過隱含層傳向輸出層的過程；

2）反向傳播，該部分是根據(jù)期望輸出與實(shí)際輸出的誤差信號(hào)從輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的過程；

3）正向傳播和反向傳播反復(fù)交替直至網(wǎng)絡(luò)最終趨于收斂。

圖值神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)和修正系統(tǒng)可以借鑒BP算法中正向與反向傳播這種思想，用構(gòu)型比較的結(jié)果來調(diào)整模擬折疊的過程和參數(shù)，調(diào)整的目標(biāo)有參數(shù)模型（比如電荷分布模型）和非參數(shù)模型（比如聚合方式模型，即吸引排斥方式模型）。

2實(shí)驗(yàn)與分析

這里選擇1VII蛋白質(zhì)[4]作為實(shí)驗(yàn)樣本，首先，是因?yàn)樵摰鞍踪|(zhì)有完整的從核磁共振實(shí)驗(yàn)獲得的全部原子坐標(biāo)數(shù)據(jù)，主要是包含所有的氫原子，其次，1VII的氨基酸殘基數(shù)不太大，但卻是一個(gè)相對(duì)完整的子域，能夠做完整的力場(chǎng)分析。

將1VII蛋白質(zhì)從自然折疊狀態(tài)（即從PDB數(shù)據(jù)庫(kù)下載的1VII的原子坐標(biāo)數(shù)據(jù)），逐漸解開成伸展?fàn)顟B(tài)（即最終主鏈上所有的扭轉(zhuǎn)角φ為135°，ψ為225°），得到伸展?fàn)顟B(tài)的蛋白質(zhì)結(jié)構(gòu)，并且獲取9個(gè)中間狀態(tài)，加上初始的自然折疊狀態(tài)共11個(gè)狀態(tài)，對(duì)應(yīng)得到11組立體結(jié)構(gòu)數(shù)據(jù)，分別用1VII_0到1VII_10表示。

這里對(duì)于扭轉(zhuǎn)角有三點(diǎn)需要注意的：

1）在生物化學(xué)領(lǐng)域，扭轉(zhuǎn)角φ和ψ的取值范圍為[-180，180]，正方向?yàn)轫槙r(shí)針；而在我們的系統(tǒng)中，為了計(jì)算表示的方便，扭轉(zhuǎn)角φ和ψ的取值范圍定為[0，360]，正方向?yàn)槟鏁r(shí)針。所以在其它文獻(xiàn)中，對(duì)應(yīng)的伸展?fàn)顟B(tài)，扭轉(zhuǎn)角φ為-135°，ψ為135°。

2）對(duì)伸展?fàn)顟B(tài)而言，也并非所有的扭轉(zhuǎn)角φ均為135°，如果有脯氨酸的話，其扭轉(zhuǎn)角φ受脯氨酸環(huán)形結(jié)構(gòu)的制約，達(dá)不到135°，本實(shí)驗(yàn)中，21號(hào)脯氨酸殘基的φ和ψ均不改變，所以，最終的伸展?fàn)顟B(tài)并不完全是一個(gè)長(zhǎng)棍型，在脯氨酸的位置有彎折。

3）其它所有的扭轉(zhuǎn)角φ和ψ按均等過渡的方法，計(jì)算出中間的9個(gè)狀態(tài)，側(cè)鏈的各個(gè)扭轉(zhuǎn)角保持不變。

計(jì)算部分的總能量并非蛋白質(zhì)結(jié)構(gòu)中所有勢(shì)能的總和，只是有變化的勢(shì)能分量的總和，其它比如同一個(gè)基團(tuán)中的各個(gè)原子之間也有勢(shì)能，還有共價(jià)鍵能，等等，但是同一個(gè)基團(tuán)中的各個(gè)原子之間的相對(duì)位置在折疊過程中沒有變化或只有微小變化，這部分能量在折疊過程中沒有實(shí)質(zhì)性變化，而基團(tuán)之間的位置關(guān)系在折疊過程中有顯著變化，所以我們只考慮基團(tuán)之間的總能量及其變化。

每個(gè)蛋白質(zhì)結(jié)構(gòu)都可以計(jì)算出其總能量，總能量為所有的兩兩基團(tuán)之間的能量的總合。蛋白質(zhì)1VII共有176個(gè)基團(tuán)，則兩兩基團(tuán)之間的能量值的數(shù)量為176*175/2 = 15400個(gè)，將這15400個(gè)能量值求和即為該蛋白質(zhì)結(jié)構(gòu)的總能量。

總能量的意義：這個(gè)值越小，表示蛋白質(zhì)結(jié)構(gòu)的總吸引力（負(fù)數(shù)）越大，總排斥力（正數(shù)）越小，可以比較的是，伸展?fàn)顟B(tài)1VII_10的總能量為1139，自然折疊狀態(tài)1VII_0的總能量為987，這中間減小的差值152就是蛋白質(zhì)折疊的目標(biāo)。這個(gè)差值152是由15400個(gè)兩兩基團(tuán)之間能量對(duì)的變化所貢獻(xiàn)的。

圖6基團(tuán)總能量變化

折線圖展示了從自然折疊狀態(tài)在去折疊到達(dá)最伸展?fàn)顟B(tài)過程中，各種中間狀態(tài)中能量的變化情況。除了1VII_2、1VII_3狀態(tài)相較于其他狀態(tài)明顯偏大，其他狀態(tài)基本呈現(xiàn)的是一個(gè)上升的趨勢(shì)，也即該過程的逆過程（蛋白質(zhì)折疊）中，各狀態(tài)的能量是下降的趨勢(shì)，這點(diǎn)符合蛋白質(zhì)折疊過程的能量變化規(guī)律。從另一方面，也印證了本文引入基團(tuán)這種思想是可行的。

注意，這里對(duì)于出現(xiàn)狀態(tài)1VII_2這種情況需要說明一下，產(chǎn)生這種情況的原因是某些原子過于靠近導(dǎo)致的，當(dāng)原子間距離過近時(shí)無法進(jìn)行調(diào)整，使得計(jì)算出的斥力（正數(shù)）過大。解決該問題的方法是在模擬折疊系統(tǒng)中引入碰撞檢測(cè)功能，當(dāng)原子間出現(xiàn)像位置重疊這種情況時(shí)就可以對(duì)其進(jìn)行一定調(diào)整。

3結(jié)束語

該文提出的圖值神經(jīng)網(wǎng)絡(luò)是一個(gè)全新的概念，完全不同于先前的神經(jīng)網(wǎng)絡(luò)，是對(duì)蛋白質(zhì)結(jié)構(gòu)用全新方法進(jìn)行預(yù)測(cè)的一次大膽嘗試。其在繼承神經(jīng)網(wǎng)絡(luò)方法優(yōu)點(diǎn)的基礎(chǔ)上，考慮了原子間的作用力因素，理論上必然可以提高蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的正確率。目前，已經(jīng)實(shí)現(xiàn)了圖值神經(jīng)網(wǎng)絡(luò)的基本框架，并通過模擬蛋白質(zhì)折疊過程對(duì)基團(tuán)間能量變化進(jìn)行初步分析，取得了比較理想的結(jié)果，證明這種引入基團(tuán)并對(duì)扭轉(zhuǎn)角進(jìn)行調(diào)整的方案是完全可行的。雖然本次實(shí)驗(yàn)取得初步的成功，但整個(gè)體系還有待完善，比如在模擬折疊系統(tǒng)中加入碰撞檢測(cè)機(jī)制，從而更加真實(shí)的模擬蛋白質(zhì)折疊環(huán)境。

參考文獻(xiàn)：

[1] Anfinsen C B. Principles that Govern the Folding of Protein Chains[J]. Science，1973，181: 223-230.

[2] Qian N，Sejnowski T J. Predicting the secondary structure of globular proteins using neural network models[J]. J Mol Bio，1988，202(4): 865-884.

[3]孟朝暉.半邊圖模型之多層次認(rèn)知系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用，2006，42(30): 28-34.

[4] McKnight C J，Matsudaira P T，Kim P S. NMR structure of the 35-residue villin headpiece subdomain[J]. Nat Struct Biol，1997，4: 180-184.