基于强化学习的HP模型优化方法研究

• 作者: 傅启明 吴宏杰 杨茹 陆卫忠 陈建平
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 强化学习 HP模型 结构预测
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 132-139
• 页数: 8页
• 分类号: TP18|Q615
• 字数: 8269字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1811-0059

摘要

蛋白质结构预测问题一直是生物信息学中的重要问题.基于疏水极性模型的蛋白质二维结构预测问题是一个典型的NP难问题.目前疏水极性模型优化的方法有贪心算法、粒子群算法、遗传算法、蚁群算法和蒙特卡罗模拟方法等,但这些方法成功收敛的鲁棒性不高,容易陷入局部最优.由此提出一种基于强化学习的HP模型优化方法,利用其连续马尔可夫最优决策与最大化全局累计回报的特点,在全状态空间中,构建基于能量函数的奖赏函数,引入刚性重叠检测规则,充分挖掘生物序列中的全局进化关系,从而进行有效与稳定的预测.以3条经典论文序列和5条Uniref50序列为实验对象,与贪心算法和粒子群算法分别进行了鲁棒性、收敛性与运行时间的比较.贪心算法只能在62.5%的序列上进行收敛,该文方法能在5万次训练后稳定的在所有序列上达到了收敛.与粒子群算法相比,两者都能找到最低能量结构,但该文的运行时间较粒子群算法降低了63.9%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陆卫忠	苏州科技大学电子与信息工程学院	36	225	9.0	14.0
2	吴宏杰	苏州科技大学电子与信息工程学院	12	35	4.0	4.0
4	傅启明	苏州科技大学电子与信息工程学院	8	14	3.0	3.0
5	陈建平	苏州科技大学电子与信息工程学院	6	11	2.0	3.0
8	杨茹	苏州科技大学电子与信息工程学院	2	0	0.0	0.0