导读:本文包含了从头预测论文开题报告文献综述及选题提纲参考文献，主要关键词:从头预测,进化算法,Monte,Carlo,片段组装
从头预测论文文献综述
李章维,郝小虎,张贵军[1]（2019）在《蛋白质结构从头预测多级个体筛选进化算法》一文中研究指出针对蛋白质高维构象空间采样多样性问题,文中提出了一种蛋白质结构从头预测多级个体筛选进化算法(MlISEA)。基于进化算法框架,首先采用基于知识的Rosetta粗粒度能量模型作为优化目标函数,以降低构象空间优化变量维数;其次以基于9片段和3片段的片段组装技术为不同的变异策略,增加同代种群的多样性;同时,设计多级个体筛选方法,进一步增加不同代种群间的多样性;然后利用Monte Carlo算法较强的局部搜索能力对每个个体做局部增强,以得到当前的局部最优解;最后,得到全局最优解以及不同的局部最优解。10个目标蛋白的测试结果表明,所提方法能够有效提高采样多样性,得到TMscore大于0.5的预测构象,为进一步做结构修饰提供便利。(本文来源于《计算机科学》期刊2019年S1期）
周晓根[2]（2018）在《蛋白质结构从头预测构象空间优化理论与方法》一文中研究指出生物细胞种包含了许多蛋白质,这些大分子在生物体内起着重要作用。蛋白质的空间结构往往决定其功能,因此,揭示蛋白质的空间结构是了解其生物功能,实现蛋白质折迭病基因治疗的先决条件。目前,蛋白质空间结构实验测定方法包括X射线晶体衍射和核磁共振,然而,这些方法不仅费钱费力,而且周期长。因此,如何利用计算机设计适当的算法,以序列为起点,预测蛋白质叁维结构是生物信息学领域的重要研究课题之一。从头预测方法是蛋白质结构预测领域中最为活跃的研究热点之一。该方法根据Anfinsen法则,直接基于蛋白质物理或知识能量模型,利用优化算法在构象空间搜索全局最低能量构象解。但是,蛋白质构象空间优化的本质复杂性,使其成为蛋白质结构从头预测领域中一个极具挑战性的研究课题。为了能够利用计算机在巨大采用空间中发现唯一的天然结构,就必须设计高效的构象优化算法将其转化为可实际操作的计算问题。本文基于进化算法框架,结合抽象凸估计理论,提出两种抽象凸估计差分进化算法;进一步,针对单域蛋白,提出抽象凸估计多策略蛋白质构象空间优化算法;针对多域蛋白,提出多域蛋白结构域组装算法。本文的主要工作可以归纳为以下几点:(1)针对差分进化算法在求解大规模问题时计算代价较高的问题,提出了基于局部抽象凸估计的差分进化算法。通过提取测试个体的邻近信息构建目标函数的局部抽象凸下界估计模型,从而获取下界估计信息来指导种群更新,并根据下界估计模型的分段线性几何特性有效排除部分无效搜索区域,同时利用抽象凸支撑面的广义下降方向作局部增强,不仅降低了算法的计算代价,而且提高了搜索效率。实验结果表明,所提算法在计算代价、可靠性和收敛速度方面明显优于现有主流算法。(2)为了提高差分进化算法的搜索效率,提出了基于抽象凸估计的多阶段差分进化算法。首先,建立目标函数的局部下界估计模型;然后,根据进化过程中下界估计信息误差的变化将整个进化过程分为叁个阶段,并针对每个阶段的特性设置不同的变异策略池,从而在进化过程中自适应地从对应的策略池中选取合适的策略进行变异;最后,设计质心变异策略来平衡第二阶段的种群多样性和收敛速度。通过各种不同数值实验验证了所提算法的有效性和优越性。(3)在上述算法研究的基础上,提出了抽象凸估计多策略蛋白质构象空间优化算法。针对每个目标构象,利用多种不同的策略同时生成多个不同的测试构象,并提取与测试构象相关的种群构象构建能量下界估计模型,从而根据能量下界估计信息选择最优测试构象作为后代构象。多策略的使用可以促进不同策略之间的协同合作,同时辅以距离谱指导构象选择,从而生成质量较高的构象,进而提高算法的构象空间探索能力。实验结果表明,所提算法探索能力较强,且能够预测得到质量较高的蛋白质叁维结构。(4)针对多域蛋白结构预测问题,提出了多域蛋白结构组装算法。所提算法采用“分而治之”的思想,即从氨基酸序列出发,将其划分为多个结构域,然后对各结构域的结构进行单独预测,最后再将所有的结构域组装到一起,从而得到多域蛋白的全长结构。在组装中,通过结构比对搜索模板来获取初始结构;然后设计能量函数来引导蒙特卡罗算法对结构域的刚体自由度进行采样,得到能量最低的构象;最后对结构域之间的Linker模型进行重建,从而得到最终预测结果。不同类型和大小的蛋白测试验证了所提方法的有效性。(本文来源于《浙江工业大学》期刊2018-06-01）
李婷[3]（2018）在《整合ChIP数据集对果蝇顺式调控模块的从头预测研究》一文中研究指出由于生物信息学中对基因进行测序的成本大幅下降,尤其是ChIP-chip和ChIP-seq这两种测序技术的广泛使用,使得能够在很短地时间内识别出大量的转录因子的DNA序列,产生了庞大的ChIP基因数据集,这既为研究的进一步发展提供了实验依据同时也带来了很大的挑战。虽然在近几年,第叁代测序技术的出现实现了每秒检测出10个碱基,读长可以达到10Kb-15Kb,但是其发展不够成熟,目前已有的数据库中的数据还是少量的,因此,本论文采用的是ChIP数据集作为研究内容。模式生物果蝇在2003年就已经完成基因组的测序,并且随着研究的进行,目前对果蝇基因的认识越来越深入,其具有繁殖速度快、基因易产生变异,产生变异的表征比较明显等特点。所以本论文使用果蝇的数据作为研究对象。基因的异常表达可能导致很多疾病的产生,而顺式调控模块产生异常是导致基因异常表达的主要原因,通过整合很多ChIP数据集来识别出基因组中的顺式调控模块,对于构建基因的调控网络、理解基因转录调控的分子机制、乃至理解疾病机理都有重要的意义,但是到目前为止,我们对真核生物的顺式调控模块知之甚少,那么在生物信息学学科领域中在全基因组范围内,利用从头预测的方式对真核生物预测顺式调控模块就更是少之又少。现在,生物信息学者和专家已经设计出了很多种识别顺式调控模块的工具,最常用的方法就是计算机统计的方式,目前最新的从头预测顺式调控模块的方式是DePCRM,但是该算法过于复杂,而且所预测出的顺式调控模块有很多都是假定的,不具有准确性,因此,本论文提出了一种新的研究思路,通过整合来自不同组织、细胞类型和生理阶段以及不同实验条件下的果蝇模式生物ChIP数据集研究其模体共生模式,可以实现生物物种在全基因组范围内对顺式调控模块的从头预测,运用模体发现算法FisherMP、模体相似度量法SPIC以及模体聚类算法CLIMP,通过整合顺式调控模块的各种特定信息,从头预测出果蝇的顺式调控模块。本算法在从头预测果蝇顺式调控模块上与现有的DePCRM算法进行比较,本算法在速度上和准确度上都要优于DePCRM。(本文来源于《天津师范大学》期刊2018-05-01）
李婷,张少强[4]（2018）在《基于大量ChIP数据集的果蝇顺式调控模块的从头预测》一文中研究指出通过整合果蝇已有的ChIP数据集,采用模体发现算法FisherNet及高性能并行的模体聚类算法CLIMP对果蝇的顺式调控模块进行从头预测.与已知的顺式调控模块进行比对分析,结果表明该方法预测结果覆盖了数据集中已知顺式调控模块的82.93%,证明该方法具有一定的普适性.与较新的DePCRM算法进行比较,结果表明本算法在从头预测顺式调控模块上速度更快、精度更高.(本文来源于《天津师范大学学报(自然科学版)》期刊2018年02期）
杨静[5]（2014）在《从头预测氨基酸相互作用及其在蛋白质叁维结构建模中的应用研究》一文中研究指出蛋白质作为生命活动的物质基础，在生物体的各种细胞过程中起着十分重要的作用。研究显示，蛋白质的功能和其空间结构是紧密相联的。因此，如果解出了蛋白质的叁维结构，将有助于了解它的生物功能，然后进一步指导药物设计。近些年来，尽管通过实验方法解出结构的数量在不断地增加，但是已知蛋白质序列的数量和蛋白质结构的数量之间的差距也在不停地变大。幸运的是，随着机器学习和数据挖掘技术的快速发展，利用计算的方法直接从蛋白质序列预测出其结构已成为一种流行的方法。在蛋白质结构预测领域内，现有的方法通常可以划分为叁类：同源建模的方法、折迭识别的方法和从头预测的方法。对于第一类和第叁类方法，都有一个挑战性的问题，就是如何得到蛋白质序列中氨基酸之间的关联信息，而这些信息将被用作蛋白质叁维结构建模的限制条件。在同源建模的方法中，氨基酸相互作用信息大多来源于蛋白质结构数据库（PDB）中的同源结构；而在从头预测的方法中，氨基酸相互作用信息主要来源于基于序列的预测结果。显然，当没有找到合适的同源结构时，采用计算方法预测出来的结果将更加精确。在最近的几十年里，人们提出了很多种预测氨基酸相互作用的方法。然而，预测精度并不能令人满意。本文从蛋白质序列出发，利用机器学习的技术来预测氨基酸相互作用，并结合序列比对的方法实现了相互作用的准确预测，再将预测到的相互作用信息作为限制条件进行蛋白质叁维结构建模。实验结果表明，预测到的相互作用信息在叁维结构建模中是有效的，也因此提高了蛋白质结构预测的精确度。具体来说，本文解决了蛋白质结构预测中的两个问题：（1）跨膜螺旋（TMH）之间氨基酸相互作用的预测；（2）二硫键连接模式的预测。对于TMH之间氨基酸相互作用的预测，本文提出了一种融合机器学习和共变异分析的新方法。这里，我们用偏相关性分析来计算共变异分数，而机器学习模块是由集成分类器来实现。在此项工作中，共变异分数首次在决策层融合。实验证明，这两种方法具有高度互补性，因而大幅提高了预测精度，比现有最好的方法要高12.5%。对于二硫键连接模式的预测，在已知半胱氨酸是否参与形成二硫键的条件下，本文设计出了一个新的融合模型。最终的结果是由机器学习的预测结果和序列比对的分配结果共同决定的。通过引入结构特征，可以提高传统机器学习模型的预测性能。此外，我们首次提出了基于序列比对的方法，直接根据标注过的同源序列进行二硫键的分配。二硫键的连接模式取所有可能的连接模式中概率最大的。实验表明，序列比对的方法可以辅助机器学习的方法，使得最终的预测模型具有鲁棒性，并能够取得很高的预测精度。(本文来源于《上海交通大学》期刊2014-02-01）
吴宏杰,吕强,吴进珍,黄旭,罗小虎[6]（2012）在《从头预测蛋白质骨架的一种并行蚁群方法及其在CASP8/9中的应用》一文中研究指出从低同源关系的氨基酸序列预测蛋白质的叁维结构被称为从头预测,它是计算生物学领域中的挑战之一.蛋白质骨架预测是从头预测的必要先导步骤.本文应用一种基于共享信息素的并行蚁群优化算法,在现有能量函数指导下,通过不同能量项之间的定性互补,构建具有最低能量的蛋白质骨架结构,并通过聚类选择构象候选集合中具有最低自由能的构象.在CASP8/9所公布的从头建模目标上应用了该方法,CASP8的13个从头建模目标中,模型1中有2个目标的预测结果超过CASP8中最好的结果,7个位列前10名;CASP9的29个从头建模目标中,候选集中的最佳结果中有20个进入Server组的前10名,模型1中有11个进入前10名.本文的结果说明融合多个不同的能量函数指导并行搜索,可以更好地模拟天然蛋白质的折迭行为.同时,在本算法载体上实现了不同种类搜索策略的融合并行,对于用非确定性算法解决类似的优化问题来说也是一种新颖的方法.(本文来源于《中国科学:信息科学》期刊2012年08期）
周建红,艾观华,方慧生,陈凯先[7]（2011）在《蛋白质结构从头预测方法研究进展》一文中研究指出蛋白质结构从头预测是不依赖模板仅从氨基酸序列信息得到天然结构。它的关键是正确定义能量函数、精确选用计算机搜索算法来寻找能量最低值。基于此,本文系统介绍了能量函数和构象搜索策略,并列举了几种比较成功的从头预测方法,通过比较得出结论:基于统计学知识的能量函数是近年来从头预测发展的主要方向,现有从头预测的构象搜索都用到Monte Carlo法。这表明随着蛋白质结构预测研究的深入,能量函数的构建、构象搜索方法的选择、大分子蛋白质结构的从头预测等关键性问题都取得了突破性进展。(本文来源于《生物信息学》期刊2011年01期）
黄旭[8]（2011）在《从头预测蛋白质结构元启发方法研究》一文中研究指出蛋白质因其具有特定结构而成为具体生命功能的执行者。蛋白质结构预测在基因数据高速膨胀,而结构解析成本高、效率低的情况下显得尤为重要。从头预测蛋白质结构不依赖于已知的结构模板,是蛋白质结构预测领域中一项技术难度高、现实意义深远的研究内容。从计算机的角度来说,蛋白质结构预测本质上是一个组合优化问题,而该项组合优化问题所面临的前所未有的搜索空间与纷繁庞杂的约束机制,是计算机领域的一大挑战。本文在综述蛋白质结构从头预测以及并行元启发相关内容的基础上,着重研究了搜索空间、搜索策略、聚类方案叁个方面的内容。主要研究内容包括:1.结构预测搜索空间研究。研究了骨架预测的片段结构及生成方式,以及侧链旋转异构体的结构及生成方式。在此基础上,针对侧链旋转异构体的生成,提出一种基于动态贝叶斯网络的四层模型。该模型主要有以下两个特点:一是考虑到骨架信息以及侧链4个扭角之间的相互关联及依赖,体现出明确的推理层次,更符合蛋白质分子的生物特性;二是在每一个层次上减少了未知变量个数,降低了模型复杂度,有利于在训练数据集合不变的情况下,缓解数据稀疏现象,提高模型精度。实验表明,该四层模型获得了高质量的结果。此外,还提出一种以极端构象与随机构象评价旋转异构体库的方法,通过在CASP9的FM类数据集上进行实验,验证了方法有效性。2.并行元启发搜索策略研究。以ACO为例,深入剖析了元启发工作原理,提出以任务分解与经验反馈为基本特点的并行元启发策略。针对从头预测蛋白质结构优化目标难以准确量化、解的构造复杂等问题,提出一种并行元启发搜索框架,融合了不同的能量函数及搜索策略。同时,结合GPCR预测详细设计了任务分配策略。基于ACO机制设计了蛋白质骨架及侧链预测算法。在骨架预测中,详细设计并实现了蚁群内搜索方案、解的构造方法、局部搜索策略以及并行分配机制。最后在Science上一篇文章所采用的16个小蛋白质数据集以及CASP8的FM类数据集上进行了实验,实验结果表明本文的方法具有很强的竞争力。3.蛋白质结构聚类研究。主要涉及两个方面的研究:一是提出一种用于蛋白质结构聚类的聚类中心选择算法。该方法在深入研究目前常用的蛋白质结构聚类算法――QT算法与AP算法的基础上,着眼于利用统计信息来提高发现最优构象的能力,克服了原有算法受限于具体参数的弊端。二是提出利用能量信息优化结构相似性矩阵的分布特性,提高相似性矩阵对蛋白质天然状态的表现能力,为聚类算法的工作奠定良好基础。最后在两个权威数据集上进行了实验,实验结果表明本文的方法能够针对特定数据集合有效提高聚类性能,从而选择到更加接近天然构象的候选结构。本文的创新点主要表现在:提出了用于生成侧链旋转异构体库的四层推理模型,该模型充分考虑到骨架与侧链之间的相互关联及依赖关系,并在降低模型复杂度、缓解数据稀疏方面做了合理设计;提出适合蛋白质从头预测的并行元启发方案,在骨架预测中取得了明显效果;提出用于蛋白质结构聚类的聚类中心选择算法以及相似性分布优化方案,提高了搜寻最优构象的准确率。实验表明,这些研究对蛋白质结构从头预测起到了积极的推进作用,对后续相关研究有重要参考价值。(本文来源于《苏州大学》期刊2011-03-01）
陆林英[9]（2008）在《基于序列从头预测法的蛋白质相互作用研究》一文中研究指出蛋白质相互作用是细胞大部分功能的基础,直接关系着生物功能的多样性,它有两种主要的形式,包括“物理”上的相互作用和功能上的相互作用,一般的相互作用是指参与同一个代谢途径,具有相似的功能,也就是功能上的相互作用。蛋白质组学是在整体水平上研究蛋白质的结构、相互作用和功能的学科。相互作用连接着蛋白质的结构和功能,无疑是研究的热点和焦点。对蛋白质相互作用的研究人们已突破了试验的手段,而采取计算的方法对它作进一步的认证和高通量的预测,包括基于基因组方法、基于进化的方法和基于蛋白质序列的从头预测方法等。研究表明,基于基因组和进化的方法都各有其局限性,如基于基因组的方法需要知道全基因组的信息等。而基于蛋白质从头预测的方法它只需要知道蛋白质序列的主要结构,对于序列的长度等都没有限制,因而具有广泛的应用价值。本文利用蛋白质序列从头预测的方法识别相互作用的蛋白质,统计了蛋白质序列的多个特性,如氨基酸的疏水性、蛋白序列的摩尔分子量、极性以及平均隐蔽面积等。并应用BP神经网络和支持向量机(SVM)分类算法对蛋白质相互作用数据集进行了识别与比较。选取MIPS数据库中酿酒酵母(Scerevisiae yeast)相互作用数据集作为我们的标准数据集,其中包括阳性数据集4837对和阴性数据集9674对。实验表明,BP神经网络和SVM都具有较高的准确率,BP神经网络可达到87%以上的正确率并具有较高的敏感性,同时应用SVM的高斯核函数对本数据集也达到了64%以上的正确率,因而都可用于认证和预测由试验手段得到的蛋白质相互作用数据集。另外,通过实验的进一步分析,发现基于蛋白质序列从头预测法结合本文所用的分类算法能够有效的识别相互作用的蛋白质对。(本文来源于《东北师范大学》期刊2008-05-01）
魏子章,李步通,潘清江,张红星[10]（2007）在《OClO里德堡态激发能的准确预测及其阴离子低能激发态的从头算研究》一文中研究指出采用全活化空间自洽场方法(CASSCF)研究了OClO阴离子7个低能电子态及其自由基的基态.为了进一步考虑动态电子相关效应,采用二级多组态微扰理论(CASPT2)获得更加可靠的能量值.此外,在ANO-L基组的基础上,在OClO自由基的电荷中心增加了为研究里德堡态所建立的1s1p1d的波函数,并应用多组态二级微扰理论(MS-CASPT2)方法获得了里德堡态的准确电子激发能.(本文来源于《高等学校化学学报》期刊2007年11期）
从头预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
生物细胞种包含了许多蛋白质,这些大分子在生物体内起着重要作用。蛋白质的空间结构往往决定其功能,因此,揭示蛋白质的空间结构是了解其生物功能,实现蛋白质折迭病基因治疗的先决条件。目前,蛋白质空间结构实验测定方法包括X射线晶体衍射和核磁共振,然而,这些方法不仅费钱费力,而且周期长。因此,如何利用计算机设计适当的算法,以序列为起点,预测蛋白质叁维结构是生物信息学领域的重要研究课题之一。从头预测方法是蛋白质结构预测领域中最为活跃的研究热点之一。该方法根据Anfinsen法则,直接基于蛋白质物理或知识能量模型,利用优化算法在构象空间搜索全局最低能量构象解。但是,蛋白质构象空间优化的本质复杂性,使其成为蛋白质结构从头预测领域中一个极具挑战性的研究课题。为了能够利用计算机在巨大采用空间中发现唯一的天然结构,就必须设计高效的构象优化算法将其转化为可实际操作的计算问题。本文基于进化算法框架,结合抽象凸估计理论,提出两种抽象凸估计差分进化算法;进一步,针对单域蛋白,提出抽象凸估计多策略蛋白质构象空间优化算法;针对多域蛋白,提出多域蛋白结构域组装算法。本文的主要工作可以归纳为以下几点:(1)针对差分进化算法在求解大规模问题时计算代价较高的问题,提出了基于局部抽象凸估计的差分进化算法。通过提取测试个体的邻近信息构建目标函数的局部抽象凸下界估计模型,从而获取下界估计信息来指导种群更新,并根据下界估计模型的分段线性几何特性有效排除部分无效搜索区域,同时利用抽象凸支撑面的广义下降方向作局部增强,不仅降低了算法的计算代价,而且提高了搜索效率。实验结果表明,所提算法在计算代价、可靠性和收敛速度方面明显优于现有主流算法。(2)为了提高差分进化算法的搜索效率,提出了基于抽象凸估计的多阶段差分进化算法。首先,建立目标函数的局部下界估计模型;然后,根据进化过程中下界估计信息误差的变化将整个进化过程分为叁个阶段,并针对每个阶段的特性设置不同的变异策略池,从而在进化过程中自适应地从对应的策略池中选取合适的策略进行变异;最后,设计质心变异策略来平衡第二阶段的种群多样性和收敛速度。通过各种不同数值实验验证了所提算法的有效性和优越性。(3)在上述算法研究的基础上,提出了抽象凸估计多策略蛋白质构象空间优化算法。针对每个目标构象,利用多种不同的策略同时生成多个不同的测试构象,并提取与测试构象相关的种群构象构建能量下界估计模型,从而根据能量下界估计信息选择最优测试构象作为后代构象。多策略的使用可以促进不同策略之间的协同合作,同时辅以距离谱指导构象选择,从而生成质量较高的构象,进而提高算法的构象空间探索能力。实验结果表明,所提算法探索能力较强,且能够预测得到质量较高的蛋白质叁维结构。(4)针对多域蛋白结构预测问题,提出了多域蛋白结构组装算法。所提算法采用“分而治之”的思想,即从氨基酸序列出发,将其划分为多个结构域,然后对各结构域的结构进行单独预测,最后再将所有的结构域组装到一起,从而得到多域蛋白的全长结构。在组装中,通过结构比对搜索模板来获取初始结构;然后设计能量函数来引导蒙特卡罗算法对结构域的刚体自由度进行采样,得到能量最低的构象;最后对结构域之间的Linker模型进行重建,从而得到最终预测结果。不同类型和大小的蛋白测试验证了所提方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
从头预测论文参考文献
[1].李章维,郝小虎,张贵军.蛋白质结构从头预测多级个体筛选进化算法[J].计算机科学.2019
[2].周晓根.蛋白质结构从头预测构象空间优化理论与方法[D].浙江工业大学.2018
[3].李婷.整合ChIP数据集对果蝇顺式调控模块的从头预测研究[D].天津师范大学.2018
[4].李婷,张少强.基于大量ChIP数据集的果蝇顺式调控模块的从头预测[J].天津师范大学学报(自然科学版).2018
[5].杨静.从头预测氨基酸相互作用及其在蛋白质叁维结构建模中的应用研究[D].上海交通大学.2014
[6].吴宏杰,吕强,吴进珍,黄旭,罗小虎.从头预测蛋白质骨架的一种并行蚁群方法及其在CASP8/9中的应用[J].中国科学:信息科学.2012
[7].周建红,艾观华,方慧生,陈凯先.蛋白质结构从头预测方法研究进展[J].生物信息学.2011
[8].黄旭.从头预测蛋白质结构元启发方法研究[D].苏州大学.2011
[9].陆林英.基于序列从头预测法的蛋白质相互作用研究[D].东北师范大学.2008
[10].魏子章,李步通,潘清江,张红星.OClO里德堡态激发能的准确预测及其阴离子低能激发态的从头算研究[J].高等学校化学学报.2007