下载文档原格式
人工智能进行蛋白质结构预测的原理蛋白质结构预测，听起来是不是有点高大上？它就像是在玩拼图游戏，不同的是，这块拼图不是我们家沙发上掉下来的那种，而是从最微小的分子层面来看的。
你想想，蛋白质在我们体内可不是随便哪块拼图拼拼就能凑起来的，它的每个“拼块”都特别独特，而且它们之间的相互关系复杂得很，没点技术活儿真的是看不懂。
所以啊，科学家们就想办法，通过一种又一种的“神奇手段”来预测蛋白质的结构，简单来说，就是猜蛋白质最终长啥样。
听上去有点像科幻电影的剧情吧？其实不然。
你看，蛋白质就像是我们生活中的一块“原料”，它负责做各种各样的工作，从给我们的肌肉提供力量，到调节体内的各种化学反应，每一块蛋白质都在体内扮演着重要角色。
想想看，如果蛋白质的结构不对，结果可想而知，身体里就像是没有拼好的一块拼图，功能就完全跑偏了。
可是，想要了解蛋白质的结构，光靠观察可不行。
我们肉眼根本看不清它到底是什么样的。
所以这就需要一种方法，能够让我们知道这些微小分子到底是什么样子，怎么折叠的。
咱们先从最简单的想法开始，你知道吧，蛋白质其实是由一串氨基酸组成的，它就像是珠子串成的链子。
每一个氨基酸都有不同的化学性质，组成的“链条”弯弯曲曲，最后才会形成我们想要的三维结构。
就像你做手工一样，一开始可能只是一堆材料，但经过一番巧妙的操作，最后出来的可能是一只小熊，或者是个玫瑰花。
这个过程中的“手工技艺”也特别复杂，它取决于氨基酸如何在空间中互相作用和折叠。
问题来了，如何从一条简单的氨基酸链推测出它的三维形态呢？这里，科学家们可真是动了不少脑筋。
比如通过一些实验手段，像X射线晶体学、核磁共振（NMR），或者电子显微镜技术，来观察蛋白质的具体形态。
但是！这些方法虽然有效，但也有点麻烦，不是每个蛋白质都容易观察的到，甚至需要动用上天入地的设备才能看清楚。
这样一来，科学家们就想，能不能从别的角度来推测一下蛋白质的结构呢？于是，借助一种“猜谜”技巧，科学家开始利用现有的已知蛋白质结构来进行比对。
蛋白质结构预测的方法与工具蛋白质结构是生物学研究中一个非常重要的领域，因为它对于蛋白质的功能和相互作用有着非常大的影响。
蛋白质结构预测是研究蛋白质学中的一个重要分支，其目的是通过计算机模拟和其他实验手段，预测蛋白质的三维结构。
本文将介绍一些常见的蛋白质结构预测方法和工具。
1. 能量函数蛋白质的三维结构由其氨基酸序列决定。
由于在氨基酸之间的相互作用非常复杂，将其精确地预测出来非常困难。
因此，实际上我们常常用一系列能量函数，来猜测最有可能的三维结构。
能量函数的基本思想是，通过计算预测结构与实验结果的对比来选择最有可能的结构。
能量函数可以预测统计力学方程、物理模型和知识库，用于描述蛋白质的相互作用。
能量函数的选择应当根据具体任务的不同于权衡，其准确度、完备性、计算量和鲁棒性各有不同。
2. 基于机器学习的方法机器学习是指从大量的数据中自动提取出模型，从而能够准确地预测未知数据的特点。
在蛋白质结构预测上，机器学习最成功的是基于神经网络的方法。
基于神经网络的方法，可以学习到从蛋白质的氨基酸序列到三维结构的直接映射，而不需要在蛋白质产生结构时太多的假设。
这种方法有非常高的准确度，并且需要的计算量很少。
3. 蛋白质结构预测工具现在有很多好用的蛋白质结构预测工具可以使用，其中一些工具是公共的，可以在互联网上免费使用。
这些工具使用多种预测方法，如用于序列对齐、模拟、统计建模等，来预测蛋白质的三维结构。
一些常用的工具包括I-TASSER、ROSETTA和PHYRE等。
不同的工具有不同的优缺点，应根据需要进行选择。
其中I-TASSER 最为广泛使用，而ROSETTA则更受科学家们喜爱。
总结：蛋白质结构预测是研究蛋白质学中的一个重要分支，它为我们提供了非常重要的信息，有助于我们更深入地理解生命中的分子结构和功能。
这里我们介绍了一些蛋白质结构预测的方法和工具。
通过不断学习和掌握这些方法和工具，我们将能够更好地运用它们来对现实中的生物学问题进行解决。
蛋白质结构与功能预测在生命的微观世界里，蛋白质扮演着至关重要的角色。
它们如同一个个微小但功能强大的机器，参与着生命活动的方方面面。
而理解蛋白质的结构与功能，以及如何对其进行预测，是现代生物学和医学领域中的关键课题。
蛋白质的结构决定了其功能。
就好像一把钥匙对应着一把锁，蛋白质特定的结构使其能够与特定的分子相互作用，从而执行特定的生理功能。
蛋白质的结构可以分为四个层次：一级结构、二级结构、三级结构和四级结构。
一级结构指的是蛋白质中氨基酸的线性排列顺序。
这就像是一串珍珠项链，每颗珍珠就是一个氨基酸。
不同的氨基酸顺序决定了蛋白质后续可能形成的结构和功能。
二级结构则是在局部范围内形成的有规律的结构，如α螺旋和β折叠。
想象一下，这些就像是把项链的某些部分弯曲或者折叠成特定的形状。
三级结构是整个蛋白质分子的三维空间构象，是由二级结构进一步折叠、盘绕形成的。
这时候，蛋白质就像是一个精心折叠的复杂纸艺作品。
四级结构是指多个具有三级结构的亚基聚合形成的更复杂的结构。
那么，为什么要预测蛋白质的结构和功能呢？这有着极其重要的意义。
首先，它有助于我们理解生命活动的机制。
通过了解蛋白质的结构和功能，我们能够揭示细胞如何生长、分裂和执行各种生理过程。
其次，在疾病研究方面，许多疾病的发生与蛋白质的结构和功能异常有关。
例如，某些基因突变可能导致蛋白质结构改变，进而影响其功能，引发疾病。
预测蛋白质结构和功能可以帮助我们找到疾病的根源，并开发新的治疗方法。
再者，药物研发也离不开对蛋白质的研究。
如果我们能够准确预测药物靶点蛋白质的结构和功能，就能够更有针对性地设计药物，提高药物研发的效率和成功率。
在预测蛋白质结构的方法中，X 射线晶体学是一种经典的技术。
它就像是给蛋白质拍一张极其清晰的“照片”，通过分析 X 射线在晶体中的衍射图案，我们可以推算出蛋白质的原子坐标，从而确定其三维结构。
但这种方法也有局限性，比如需要获得高质量的蛋白质晶体，这并非总是容易的。
基于predictprotein平台的蛋白质结构预测摘要：基于predictprotein平台，通过整合threader、rosetta 和zdock等关于大分子建模的免费软件包，构建了蛋白质结构预测虚拟机，并对不能进行同源建模的bmkap蛋白质序列的二级结构和三维结构分别进行了初步预测。
关键词：蛋白质结构预测；rosetta；虚拟机中图分类号：q518随着dna和蛋白质测序速度的加快，蛋白质结构需求的日益增多，人们迫切需要一种不依赖于传统物理化学方法能够准确预测出蛋白质结构的方法[1，2]。
因此，基于已有的蛋白质结构数据库，利用同源建模和计算化学的方法进行蛋白质结构预测显得日益重要。
在蛋白质二级结构预测中以神经网络方法为主[3，4]，其中被称为phd的神经网络预测方法整合了多种神经网络方法的优点，具有较高的准确性[5]。
蛋白质三级（或三维）结构的预测方法则主要分为三种：同源性（homology）、从头计算（ab initio）和穿线法（threading）等方法[6]，其中模板库中已有相似序列的同源性预测方法准确性最高。
进入21世纪以后，数据整合与软件集成已经成为目前生物信息学的研究热点和重要方向[7，8]。
集成整合linux操作系统及其平台上众多的生物信息学免费软件，建立基于个人电脑或局域网服务器的生物信息学平台，是目前国内外大学或研究机构生命科学教学和科研过程中普遍采用的一个策略[8]。
被称为蛋白质结构预测标准的 predictprotein平台[9]就是由美国哥伦比亚大学生物信息中心整合开发的基于ubuntu/linux系统的蛋白质二级结构预测平台。
而rosetta是进行大分子建模、三维结构从头预测和蛋白质相互作用与对接研究的免费软件包，并自1998年以来一直在casp （critical assessment of structure prediction）竞赛中居于领先地位。
本文集成整合了蛋白质二级结构预测平台——predictprotein平台和rosetta等蛋白质三维结构从头预测软件包，并对不能进行同源建模的bmkap蛋白质序列的二级结构和三维结构分别进行了初步预测。
蛋白质结构预测方法和应用蛋白质是生物体内的重要功能分子之一，其结构对其功能起着至关重要的作用。
准确预测蛋白质的结构对于深入理解其功能和研究相关疾病的发病机制具有重要意义。
本文将介绍蛋白质结构预测的方法和应用。
蛋白质结构预测是通过一系列计算方法来推测蛋白质的三维空间结构。
目前，主要有三种预测方法：序列比对法、基于物理性质的方法和基于机器学习的方法。
序列比对法是最常用的蛋白质结构预测方法之一。
它通过将待预测蛋白质的氨基酸序列与已知结构的蛋白质进行比对，从而预测出待预测蛋白质的结构。
这种方法基于生物学的观察，即具有相似序列的蛋白质通常会有相似的结构。
尽管序列比对法可以得到大致的结构信息，但由于蛋白质结构的多样性，其准确度有限。
基于物理性质的方法则从蛋白质的化学和物理性质出发，通过模拟蛋白质的构象空间来预测其结构。
这种方法通常基于几何学和力场理论，模拟蛋白质的原子间相互作用力，进而寻找最稳定的结构。
然而，由于蛋白质的结构空间极其庞大，这种方法的计算复杂度很高，限制了其在大规模结构预测中的应用。
基于机器学习的方法是目前蛋白质结构预测的热门方向。
这种方法通过以往蛋白质结构和性质的数据作为训练集，使用各种机器学习算法来建立模型，从而预测未知蛋白质的结构。
这种方法的优势在于：可以通过大数据的学习提高预测准确度；计算速度相对较快，适用于大规模结构预测。
常见的机器学习算法包括神经网络、支持向量机和随机森林等。
蛋白质结构预测的应用非常广泛。
首先，它对于揭示蛋白质的功能和机制至关重要。
蛋白质的结构与其功能密切相关，通过预测蛋白质结构，可以更好地理解其功能。
其次，蛋白质结构预测在药物设计和疾病治疗方面具有巨大潜力。
许多药物的设计和优化需要了解蛋白质的结构，预测蛋白质结构可以为药物发现和设计提供重要参考。
此外，蛋白质结构预测还可以预测蛋白质的变异和突变对结构和功能的影响，对疾病的发病机制研究和治疗策略的制定都有重要意义。
当前，随着计算能力的不断提高和大规模结构数据的积累，蛋白质结构预测已经取得了长足的进展。
蛋白质结构预测与功能注释方法蛋白质是生物体内功能最重要的分子。
理解蛋白质的结构和功能对于揭示生物学过程、药物研发以及疾病治疗具有重要意义。
然而，实验方法和技术并不能满足所有蛋白质结构预测和功能注释的需求，因此生物信息学的方法成为了研究蛋白质的重要手段。
蛋白质结构预测是指通过计算方法和模型预测蛋白质的三维结构。
这在实验方法不能获得蛋白质结构的情况下十分有用。
目前常用的蛋白质结构预测方法包括以下几种：1.同源建模（Homology Modeling）：这是最常用的蛋白质结构预测方法之一。
它利用已知结构的蛋白质与目标蛋白质进行比对，通过寻找结构上的同源关系来预测目标蛋白质的结构。
这种方法的前提是目标蛋白质与已知结构的蛋白质有足够高的相似度。
同源建模方法已经被广泛应用于蛋白质结构预测领域。
2.蛋白质碳-氮循环核磁共振（Cyclic NMR）：这是一种利用核磁共振技术来预测蛋白质结构的方法。
通过分析蛋白质中氢和氮原子的化学位移来推断蛋白质的二级和三级结构。
虽然这种方法在准确性上有一定的限制，但它可以提供有关蛋白质动态和构象空间的重要信息。
3.蛋白质串联（Template-Free Modeling）：这种方法不依赖于已知结构的蛋白质，而从头开始预测蛋白质的结构。
它通常基于能量最小化原理和物理化学特性来搜索蛋白质结构的最优解。
然而，由于蛋白质的空间构象空间极其广阔，因此从头预测蛋白质的结构仍然是一个挑战。
蛋白质功能注释是指确定蛋白质的功能和作用机制。
虽然蛋白质的结构与其功能之间的关系并不十分明确，但是一些生物信息学方法可以帮助我们进行蛋白质功能的注释，如下所示：1.序列相似性（Sequence similarity）：这是最常用的蛋白质功能注释方法之一。
它基于两个或多个蛋白质序列之间的相似性来预测目标蛋白质的功能。
如果目标蛋白质与已知功能的蛋白质有高度的序列相似性，那么可以将目标蛋白质的功能预测为与已知蛋白质类似。
alphafold2蛋白质结构摘要：1.AlphaFold2 简介2.AlphaFold2 在蛋白质结构预测中的应用3.AlphaFold2 的准确性和影响4.如何使用AlphaFold2 进行蛋白质结构预测5.AlphaFold2 对生物学领域的意义正文：1.AlphaFold2 简介AlphaFold2 是一种由DeepMind 公司开发的人工智能程序，用于预测蛋白质的三维结构。
在2020 年11 月30 日的蛋白质结构预测大赛CASP14 中，AlphaFold2 取得了惊人的成绩，对大部分蛋白质结构的预测与真实结构只差一个原子的宽度。
这一成果引起了生物学领域的极大关注。
2.AlphaFold2 在蛋白质结构预测中的应用蛋白质结构预测是生物学领域中的一个重要问题。
AlphaFold2 通过深度学习和相关蛋白质序列多序列比对的共同进化数据相结合，取得了在蛋白质结构预测方面的显著性能。
它能够从蛋白质的初级氨基酸序列预测蛋白质的三维结构，准确率极高。
3.AlphaFold2 的准确性和影响AlphaFold2 在CASP14 大赛中的表现颠覆了生物学领域对蛋白质结构预测的认知。
其预测准确性达到了人类利用冷冻电子显微镜等复杂仪器观察预测的水平，且在很多情况下只相差一个原子的宽度。
这一成果引起了生物学领域的科学家们的强烈关注，认为AlphaFold2 对蛋白质结构预测具有重要的意义。
4.如何使用AlphaFold2 进行蛋白质结构预测要使用AlphaFold2 进行蛋白质结构预测，首先需要将蛋白质的氨基酸序列输入到AlphaFold2 的预测网站中。
预测网站会根据输入的氨基酸序列进行计算，并输出预测的三维结构。
目前，AlphaFold2 的源代码已经在GitHub 上公开，用户也可以选择在本地运行AlphaFold2 进行预测。
5.AlphaFold2 对生物学领域的意义AlphaFold2 的出现对生物学领域具有重要意义。
人工智能蛋白质结构预测是利用计算机仿真技术预测蛋白质的三维结构。
蛋白质是生命中最基本的分子之一，其结构与功能密切相关。
因此，研究蛋白质结构对于理解生命活动和开发新药具有重要的意义。
传统上，预测蛋白质结构需要大量实验时间和成本。
然而，随着计算机技术的进步，人工智能蛋白质结构预测逐渐成为主流方法。
该方法不仅能够准确地预测蛋白质结构，还能够提高预测速度和降低成本。
本文将介绍人工智能蛋白质结构预测的基本原理、常用算法和应用领域。
一、基本原理蛋白质结构预测的基本原理是根据蛋白质序列推断出其三维结构。
传统上，该过程需要进行大量的实验，并且常常受到实验条件和技术限制。
因此，人工智能蛋白质结构预测技术通过计算机模拟来解决这一问题。
人工智能蛋白质结构预测基于两个假设：第一个假设是“结构相似的蛋白质在序列上有相似的区域”，即如果两个蛋白质的结构相似，则它们的序列也应该存在相似的区域。
第二个假设是“序列相似的蛋白质在结构上有相似的区域”，即如果两个蛋白质的序列相似，则它们的结构也应该存在相似的区域。
人工智能蛋白质结构预测技术主要分为两类：直接模拟和间接模拟。
直接模拟利用物理力学和化学原理来推断蛋白质的三维结构，而间接模拟则利用已知的蛋白质结构和序列信息来预测未知蛋白质的结构。
二、常用算法1. 机器学习算法机器学习算法通常使用训练数据来学习蛋白质结构与序列之间的关系，并利用这些关系推断新的蛋白质结构。
这些算法包括神经网络、支持向量机和随机森林等。
2. 模拟退火算法模拟退火算法是一种基于物理原理的优化算法，可以在不同的结构状态间进行搜索，并找到最稳定的结构。
该算法将蛋白质作为一个能量系统来处理，通过改变系统状态来寻找最低能量状态对应的结构。
3. 蒙特卡罗算法蒙特卡罗算法是一种基于概率的优化算法，通过模拟随机运动来搜索蛋白质的最佳结构。
该算法通过迭代的方式在结构空间中搜索，每次迭代会生成新的结构，并计算其能量值。
该算法通过接受或拒绝新结构来寻找最低能量状态对应的结构。
计算生物学试题及答案**计算生物学试题及答案**一、单项选择题（每题2分，共20分）1. 计算生物学的主要研究对象是（）。
A. 生物分子结构B. 生物信息C. 生物过程D. 生物系统答案：B2. 下列哪项不是计算生物学的主要研究方法？（）A. 序列比对B. 系统建模C. 基因编辑D. 数据挖掘答案：C3. 在计算生物学中，用于描述基因表达数据的常用数据类型是（）。
A. 图像数据B. 文本数据C. 数值数据D. 音频数据答案：C4. 以下哪个不是计算生物学中常用的编程语言？（）A. PythonB. RC. MATLABD. Java答案：D5. 蛋白质结构预测的主要目标是（）。
A. 确定蛋白质的氨基酸序列B. 确定蛋白质的三维结构C. 预测蛋白质的功能D. 确定蛋白质的基因序列答案：B6. 下列哪项技术不属于高通量测序技术？（）A. Sanger测序B. Illumina测序C. 454测序D. SOLiD测序答案：A7. 以下哪个数据库主要用于存储蛋白质结构信息？（）A. GenBankB. PDBC. EMBLD. DDBJ答案：B8. 以下哪个算法不是用于序列比对的？（）A. BLASTB. ClustalWC. HMMD. PCA答案：D9. 在计算生物学中，以下哪个不是生物网络的类型？（）A. 基因调控网络B. 蛋白质-蛋白质相互作用网络C. 代谢网络D. 社交网络答案：D10. 以下哪个不是计算生物学中的数据分析工具？（）A. CytoscapeB. BioconductorC. PrismD. MATLAB答案：C二、多项选择题（每题3分，共15分）11. 计算生物学可以应用于以下哪些领域？（）A. 疾病模型B. 药物设计C. 基因组学D. 农业科学答案：ABC12. 以下哪些是计算生物学中常用的统计方法？（）A. 回归分析B. 聚类分析C. 贝叶斯推断D. 机器学习答案：ABCD13. 在计算生物学中，以下哪些是基因表达分析的常用软件？（）A. DESeq2B. edgeRD. R答案：ABC14. 以下哪些是计算生物学中用于蛋白质结构预测的方法？（）A. 同源建模B. 从头预测C. 折叠识别D. 深度学习答案：ABCD15. 以下哪些是计算生物学中用于网络分析的工具？（）A. NetworkXB. igraphC. MCODE答案：ABCD三、填空题（每题2分，共20分）16. 计算生物学中的________是指利用计算机模拟生物过程，以预测生物系统的行为。
1 Probabilistic Search and Energy Guidance for Biased Decoy Sampling in Ab-initio Protein Structure Prediction 概率搜索和能量引导用于蛋白质结构从头预测中的偏向诱导采样 Kevin Molloy, Sameh Saleh, and Amarda Shehu, Member, IEEE
Abstract—Adequate sampling of the conformational space is a central challenge in ab-initio protein structure prediction. In the absence of a template structure, a conformational search procedure guided by an energy function explores the conformational space, gathering an ensemble of low-energy decoy conformations. If the sampling is inadequate, the native structure may be missed altogether. Even if reproduced, a subsequent stage that selects a subset of decoys for further structural detail and energetic refinement may discard near-native decoys if they are high-energy or insufficiently represented in the ensemble. Sampling should produce a decoy ensemble that facilitates the subsequent selection of near-native decoys. In this paper, we investigate a robotics-inspired framework that allows directly measuring the role of energy in guiding sampling. Testing demonstrates that a soft energy bias steers sampling towards a diverse decoy ensemble less prone to exploiting energetic artifacts and thus more likely to facilitate retainment of near-native conformations by selection techniques. We employ two different energy functions, the Associative Memory Hamiltonian with Water (AMW) and Rosetta.Results show that enhanced sampling provides a rigorous testing of energy functions and exposes different deficiencies in them, thus promising to guide development of more accurate representations and energy functions. Index Terms—Protein structure prediction, probabilistic conformational search, near-native conformations, energy bias.
摘要：在蛋白质结构从头预测中，足够的构象空间采样是一个核心的挑战。构象搜索程序在没有结构模板的情况下，由一个能量函数来引导其搜索构象空间，找到一个低能量的诱导构象集合。如果采样不足，天然态的结构就有可能全部丢失。即使重现，在后续阶段选择诱导构象的子集来进一步的对结构细节和能量进行优化，也可能由于它们是高能量或者不足以代表整个构象集合而丢失近天然态的诱导构象。采样应该产生一个诱导集合来促使后续的近天然态的诱导构象的选择。在这篇文章中，我们研究一个机器人启发式的框架，这个框架可以用来直接测试能量在引导采样的过程中所起的作用。测试表明：一个软能量偏向引导采样走向多样化的诱导集合，而不是倾向于开发高能量的人工产物，这样就更有可能通过选择的技术来保留近天然态的构象。我们采用了两个不同的能量函数，Associative Memory Hamiltonian with Water (AMW) 和 Rosetta。Rosetta表明加强的采样提供了一个对于能量函数的严格测试，并且揭示了它们的不同的缺点，因此有希望用于引导产生更为精确的模型表示和能量函数。
索引词：蛋白质结构预测、概率构象空间搜索、近天然态构象、能量偏向 2
1 INTRODUCTION 1 介绍 AB-initio protein structure prediction or template-free modeling is by now recognized as one of the most difficult problems in computational structural biology[23], [49]. Ab-initio protocols are in principle more broadly applicable for protein structure prediction than homology-based methods that rely on the availability of homologs of known structure to reconstruct a template structure. In the absence of a template structure, ab-initio protocols rely on a conformational search procedure guided by some energy function to obtain an ensemble of low-energy (decoy) conformations. In a thermodynamics treatment [1], [27], the sought native structure of the target sequence is expected to be present among the lowest-energy decoys. There are many reasons why this treatment often fails to lead to the native structure [23].
目前，蛋白质结构从头预测或非模板模型方法被认为是计算结构生物学中最难的问题之一。大体而言，从头预测的方法比依赖于用已知同源结构来重建模板结构的同源建模方法有更广泛的应用。在没有结构模板的情况下，构象搜索程序由一个能量函数来引导其搜索构象空间，找到一个低能量的诱导构象集合。在热力学方法上，我们希望所找到的目标序列的天然结构出现在低能诱导构象中，但是有很多原因会导致这个方法在引导得到天然态结构时失败。 Despite the challenges, over the last years considerable advancements have been made, most notably recently by the well-known Quark [46] and Rosetta protocols [20].Key to these advancements has been the employment of the molecular fragment replacement technique [5], [7], [11]. The technique allows obtaining realistic decoy conformations by essentially assembling them with short structural blocks known as fragment configurations. These are extracted from known native structures of non-redundant sequences and are stored as φ, ψ, and ωbackbone torsion angles in a library of fragment configurations [14]. The assembly is implemented in the context of a Metropolis Monte Carlo (MMC) trajectory, where an MC move replaces the configuration of a fragment selected at random over the currently-assembled decoy conformation with a configuration selected for that fragment from the library. The replacement is accepted if it satisfies the Metropolis criterion, resulting over time in low-energy decoys.
尽管这是个很大的挑战，在过去的几年中，也取得了一些相当大的进步。最值得一提的就是最近很知名的Quark和Rosetta方法。这些进步的关键在于应用了分子片段置换技术。这项技术的应用使得我们可以通过用一些称作片段结构的短的结构块来进行组装，以获得现实的诱导构象。这些片段结构是由以φ, ψ,ω
