HawkRank：基于能量項的蛋白-蛋白打分方法的創(chuàng)新與突破一、引言1.1研究背景與意義蛋白質作為生命活動的主要承擔者，其功能的實現(xiàn)往往依賴于與其他蛋白質的相互作用。蛋白質-蛋白質相互作用（Protein-ProteinInteractions，PPIs）在細胞的信號傳導、代謝調控、基因表達等眾多生理過程中扮演著核心角色。例如，在細胞信號傳導通路中，蛋白質之間的特異性相互作用能夠將細胞外的信號傳遞到細胞內，從而調控細胞的生長、分化和凋亡等行為；在代謝途徑里，多種酶蛋白相互協(xié)作，共同催化化學反應，維持細胞的正常代謝功能。對PPIs的深入研究，有助于我們從分子層面理解生命活動的本質，揭示疾病的發(fā)病機制，為開發(fā)新型治療方法提供關鍵的理論基礎。分子對接技術作為研究蛋白質-蛋白質相互作用的重要計算手段，能夠在計算機上模擬兩個或多個蛋白質分子之間的相互作用過程，預測它們的結合模式和結合親和力。在藥物研發(fā)領域，分子對接被廣泛應用于先導化合物的發(fā)現(xiàn)和優(yōu)化。通過分子對接，可以快速篩選大量的小分子化合物，找出與靶標蛋白具有高親和力和特異性結合的潛在藥物分子，從而大大縮短藥物研發(fā)的周期，降低研發(fā)成本。例如，在抗癌藥物的研發(fā)中，利用分子對接技術可以針對腫瘤相關的蛋白質靶點，篩選出能夠有效抑制腫瘤細胞生長的小分子抑制劑，為癌癥的治療提供新的藥物候選物。而打分函數(shù)作為分子對接技術的核心組成部分，其作用是對分子對接產(chǎn)生的大量候選結合構象進行評估和排序，從中挑選出最接近真實結合構象的結構。打分函數(shù)的準確性和可靠性直接決定了分子對接的成功率，進而影響到藥物研發(fā)的效率和質量。一個優(yōu)秀的打分函數(shù)應該能夠準確地反映蛋白質-蛋白質之間的相互作用能量，包括范德華相互作用、靜電相互作用、氫鍵相互作用以及溶劑化效應等，同時還需要考慮到蛋白質的結構特征、柔性以及結合界面的幾何互補性等因素。然而，目前現(xiàn)有的打分函數(shù)在準確性、泛化能力和計算效率等方面仍然存在諸多不足，難以滿足日益增長的藥物研發(fā)需求。例如，一些傳統(tǒng)的打分函數(shù)在處理復雜的蛋白質-蛋白質體系時，往往無法準確地預測結合親和力，導致篩選出的候選化合物與實際活性存在較大偏差；而一些基于機器學習的打分函數(shù)雖然在特定的數(shù)據(jù)集上表現(xiàn)出較好的性能，但在面對新的蛋白質靶點或不同類型的蛋白質-蛋白質相互作用時，泛化能力較差，難以取得理想的結果。因此，開發(fā)一種更加準確、高效且具有良好泛化能力的蛋白-蛋白打分函數(shù)具有重要的理論意義和實際應用價值。本研究旨在基于能量項構建一種全新的蛋白-蛋白打分方法HawkRank，通過綜合考慮多種相互作用能量和蛋白質結構特征，提高對蛋白質-蛋白質結合構象的預測精度，為分子對接技術在藥物研發(fā)等領域的應用提供更有力的支持。1.2國內外研究現(xiàn)狀在蛋白質-蛋白質分子對接領域，打分函數(shù)的研究一直是國內外學者關注的焦點。經(jīng)過多年的發(fā)展，已經(jīng)涌現(xiàn)出了多種類型的打分函數(shù)，它們在計算方法、考慮因素和應用效果上各有特點。早期的打分函數(shù)主要基于物理原理，通過計算蛋白質-蛋白質之間的各種相互作用能量來評估結合構象的穩(wěn)定性。例如，DOCK程序中使用的基于分子表面互補性的打分函數(shù)，該函數(shù)通過計算受體和配體分子表面的互補程度來衡量結合的可能性。在研究蛋白質-蛋白質相互作用時，這種基于表面互補性的方法能夠直觀地反映分子間的空間匹配情況，對于一些簡單的體系能夠取得較好的結果。然而，它忽略了分子間的靜電相互作用和范德華相互作用等重要因素，導致在實際應用中的準確性受到限制。隨著研究的深入，基于經(jīng)驗的打分函數(shù)逐漸興起。這類打分函數(shù)通過對大量已知蛋白質-蛋白質復合物結構和結合親和力數(shù)據(jù)的統(tǒng)計分析，建立起能量與結合親和力之間的經(jīng)驗關系。例如，MM-PBSA（MolecularMechanics-Poisson-BoltzmannSurfaceArea）和MM-GBSA（MolecularMechanics-Generalized-BornSurfaceArea）等方法，它們結合了分子力學和連續(xù)介質溶劑模型，考慮了靜電相互作用、范德華相互作用以及溶劑化效應等多種因素。在實際應用中，MM-PBSA方法在預測蛋白質-蛋白質結合親和力時，能夠較為準確地反映體系的能量變化，為復合物結構的評估提供了重要依據(jù)。但是，這些方法的計算量較大，對于大規(guī)模的分子對接計算效率較低。近年來，隨著機器學習技術的飛速發(fā)展，基于機器學習的打分函數(shù)成為了研究的熱點。這類打分函數(shù)利用機器學習算法，從大量的蛋白質-蛋白質復合物數(shù)據(jù)中學習特征和模式，從而實現(xiàn)對結合親和力的預測。例如，DeepDock方法采用深度學習模型，對蛋白質-配體復合物的結構特征進行提取和分析，能夠快速準確地預測結合親和力。在面對大規(guī)模的分子對接任務時，DeepDock能夠在短時間內對大量的候選構象進行打分和排序，大大提高了分子對接的效率。然而，基于機器學習的打分函數(shù)往往依賴于大量的訓練數(shù)據(jù)，對于訓練數(shù)據(jù)集中未涵蓋的蛋白質-蛋白質體系，其泛化能力較差，預測結果的準確性難以保證。HawkRank作為一種基于能量項的新型蛋白-蛋白打分方法，與傳統(tǒng)打分函數(shù)和基于機器學習的打分函數(shù)相比，具有獨特的創(chuàng)新性與優(yōu)勢。HawkRank綜合考慮了范德華相互作用、靜電相互作用以及溶劑化效應等多種能量項，通過對這些能量項進行合理的加權組合，能夠更準確地反映蛋白質-蛋白質之間的相互作用能量。同時，HawkRank在設計過程中充分考慮了蛋白質的結構特征和結合界面的幾何互補性，使得其在預測蛋白質-蛋白質結合構象時具有更高的準確性和可靠性。在處理一些復雜的蛋白質-蛋白質體系時，HawkRank能夠更好地捕捉分子間的相互作用細節(jié)，從而篩選出更接近真實結合構象的結構，為分子對接技術在藥物研發(fā)等領域的應用提供了更有力的支持。1.3研究目標與內容本研究旨在開發(fā)一種基于能量項的新型蛋白-蛋白打分方法HawkRank，以提高分子對接中對蛋白質-蛋白質結合構象預測的準確性和可靠性，為藥物研發(fā)等領域提供更有效的計算工具。具體研究內容如下：基于能量項設計打分函數(shù)：綜合考慮蛋白質-蛋白質相互作用中的多種能量因素，包括范德華相互作用能、靜電相互作用能以及溶劑化效應能等，構建一個全面反映分子間相互作用的能量項集合。通過對這些能量項進行合理的加權組合，設計出HawkRank打分函數(shù)的基本形式。利用大量已知結構和親和力數(shù)據(jù)的蛋白質-蛋白質復合物作為訓練集，采用機器學習或優(yōu)化算法等方法，對打分函數(shù)中的權重系數(shù)進行優(yōu)化，以使其能夠準確地反映蛋白質-蛋白質之間的結合親和力，實現(xiàn)對結合構象的有效評估和排序。打分函數(shù)性能評估與優(yōu)化：建立一套嚴格的打分函數(shù)性能評估體系，使用多個不同的蛋白質-蛋白質復合物數(shù)據(jù)集，包括測試集和獨立驗證集，對HawkRank打分函數(shù)的性能進行全面評估。評估指標涵蓋對接成功率、與實驗結合親和力的相關性、對近天然構象的識別能力以及計算效率等多個方面。根據(jù)評估結果，分析打分函數(shù)在不同類型蛋白質-蛋白質體系中的優(yōu)勢和不足，針對存在的問題，進一步優(yōu)化打分函數(shù)的能量項組合、權重系數(shù)以及計算方法，不斷提高其性能和泛化能力。HawkRank方法的應用與驗證：將開發(fā)的HawkRank打分方法應用于實際的蛋白質-蛋白質分子對接研究中，與其他主流的打分函數(shù)和分子對接軟件進行比較，驗證其在預測蛋白質-蛋白質結合模式和親和力方面的優(yōu)越性。選擇一些具有重要生物學意義和藥物研發(fā)價值的蛋白質-蛋白質相互作用體系，如腫瘤相關信號通路中的關鍵蛋白-蛋白復合物，通過HawkRank方法進行分子對接模擬，并將預測結果與實驗數(shù)據(jù)或已知的生物學信息進行對比分析，評估其在實際應用中的可靠性和有效性。通過在藥物研發(fā)相關的虛擬篩選任務中應用HawkRank打分函數(shù)，驗證其在發(fā)現(xiàn)潛在藥物靶點和先導化合物方面的能力，為藥物研發(fā)提供實際的支持和指導。二、理論基礎2.1蛋白-蛋白分子對接原理分子對接是一種在計算機上模擬分子間相互作用的技術，其基本概念是通過將配體分子（在蛋白-蛋白對接中，其中一個蛋白可視為配體）與受體分子（另一個蛋白）進行空間和能量的匹配，來預測它們之間可能的結合模式和結合親和力。在蛋白質-蛋白質相互作用的研究中，分子對接具有舉足輕重的地位。蛋白質通常具有復雜的三維結構，其表面存在著各種形狀和化學性質的區(qū)域，而蛋白質-蛋白質相互作用正是通過這些表面區(qū)域的特異性結合來實現(xiàn)的。分子對接技術能夠在原子水平上對蛋白質-蛋白質的結合過程進行模擬，幫助研究人員深入了解蛋白質之間的相互作用機制。從分子層面來看，蛋白質-蛋白質的結合過程涉及到多種分子間相互作用，如范德華相互作用、靜電相互作用、氫鍵相互作用以及疏水相互作用等。范德華相互作用是分子間普遍存在的一種弱相互作用力，它源于分子中電子云的瞬間漲落，使得分子間產(chǎn)生瞬時的偶極-偶極相互作用。在蛋白質-蛋白質結合過程中，范德華相互作用對維持蛋白質分子間的緊密接觸起著重要作用，它能夠使蛋白質的結合界面更加貼合，增強復合物的穩(wěn)定性。靜電相互作用則是由分子中帶電基團之間的庫侖力引起的，其作用強度與電荷的大小和距離的平方成反比。在蛋白質中，氨基酸殘基上的帶電基團（如賴氨酸的氨基、天冬氨酸的羧基等）會參與靜電相互作用，這種相互作用對蛋白質-蛋白質結合的特異性和親和力有著重要影響。例如，帶相反電荷的氨基酸殘基之間的靜電吸引作用可以促進蛋白質之間的結合，而相同電荷之間的靜電排斥作用則可能阻礙結合過程。氫鍵相互作用是一種特殊的分子間相互作用，它是由氫原子與電負性較大的原子（如氮、氧等）之間形成的弱相互作用。在蛋白質-蛋白質結合界面上，氫鍵的形成能夠顯著增強蛋白質之間的結合穩(wěn)定性。例如，在某些蛋白質-蛋白質復合物中，氫鍵的存在可以使蛋白質分子之間的結合更加緊密，從而提高復合物的活性和功能。疏水相互作用是指非極性分子或基團在水溶液中傾向于聚集在一起，以減少與水分子的接觸面積的現(xiàn)象。在蛋白質中，疏水氨基酸殘基（如丙氨酸、纈氨酸、亮氨酸等）通常位于蛋白質的內部，而在蛋白質-蛋白質相互作用時，這些疏水氨基酸殘基會在結合界面處聚集，形成疏水核心，從而穩(wěn)定蛋白質-蛋白質復合物。分子對接的過程通?？梢苑譃槿齻€主要步驟：構象搜索、打分和排序。在構象搜索階段，通過各種算法（如蒙特卡羅模擬、遺傳算法、分子動力學模擬等）在一定的空間范圍內搜索配體分子相對于受體分子的所有可能結合構象，以找到能量較低的潛在結合模式。在打分階段，利用打分函數(shù)對每個候選結合構象進行評估，計算其結合親和力或得分，以衡量配體與受體之間的相互作用強度。打分函數(shù)是分子對接技術的核心，它通過對各種分子間相互作用能量的計算和分析，為每個構象分配一個數(shù)值，該數(shù)值反映了構象的穩(wěn)定性和結合的可能性。在排序階段，根據(jù)打分函數(shù)計算得到的得分，對所有候選構象進行排序，選擇得分較高的構象作為可能的結合模式進行進一步的分析和研究。通過這三個步驟的協(xié)同作用，分子對接能夠有效地預測蛋白質-蛋白質之間的結合模式和親和力，為研究蛋白質的功能和藥物研發(fā)提供重要的理論依據(jù)和技術支持。2.2打分函數(shù)概述2.2.1打分函數(shù)分類在蛋白-蛋白分子對接中，打分函數(shù)的準確與否直接影響著對接結果的可靠性，根據(jù)其設計原理和計算方法的不同，主要可分為基于物理原理的打分函數(shù)、基于經(jīng)驗的打分函數(shù)和基于知識的打分函數(shù)這三大類，每一類打分函數(shù)都有其獨特的特點和適用范圍?；谖锢碓淼拇蚍趾瘮?shù)，是基于經(jīng)典分子力場理論構建的。它通過精確計算分子間的各種物理相互作用，如范德華相互作用和靜電相互作用，來評估蛋白質-蛋白質結合構象的穩(wěn)定性。在計算范德華相互作用時，這類打分函數(shù)會考慮蛋白質分子中原子間的距離和電子云分布情況，利用Lennard-Jones勢能函數(shù)來描述原子間的吸引和排斥作用。對于靜電相互作用，則依據(jù)庫侖定律，計算蛋白質分子中帶電基團之間的相互作用力。這種基于物理原理的打分方式，具有堅實的理論基礎，能夠深入地反映分子間相互作用的本質。在研究蛋白質-蛋白質復合物的結構穩(wěn)定性時，基于物理原理的打分函數(shù)可以準確地預測復合物在不同條件下的能量變化，為理解蛋白質-蛋白質相互作用的機制提供重要的理論支持。然而，由于其計算過程涉及到大量的原子層面的計算，需要高精度的力場參數(shù)，這使得計算量極為龐大，計算效率較低。而且，這類打分函數(shù)對蛋白質分子的構象和電荷分布高度敏感，即使是微小的結構變化或電荷分布改變，都可能導致計算結果的較大偏差，從而限制了其在大規(guī)模分子對接計算中的應用?；诮?jīng)驗的打分函數(shù)，是通過對大量已知蛋白質-蛋白質復合物的實驗數(shù)據(jù)進行深入的統(tǒng)計分析而建立的。它將氫鍵、疏水相互作用等各種相互作用項進行分離，并根據(jù)實驗結果為每一項賦予相應的經(jīng)驗性權重。在構建基于經(jīng)驗的打分函數(shù)時，研究人員會收集大量不同類型的蛋白質-蛋白質復合物的結構數(shù)據(jù)和結合親和力數(shù)據(jù)，然后運用統(tǒng)計方法分析這些數(shù)據(jù)，找出各種相互作用項與結合親和力之間的關系，進而確定每個相互作用項的權重系數(shù)。這種打分函數(shù)的優(yōu)點在于，它能夠直接利用實驗數(shù)據(jù)，從實際結合情況出發(fā)進行校準，使得其在擬合實驗數(shù)據(jù)方面具有較高的準確性，能夠較好地反映蛋白質-蛋白質結合的實際情況。在研究某些特定蛋白質-蛋白質相互作用時，基于經(jīng)驗的打分函數(shù)可以根據(jù)已有的實驗數(shù)據(jù)，快速準確地評估不同結合構象的親和力，為篩選潛在的蛋白質-蛋白質相互作用提供有效的手段。但是，它也存在明顯的局限性，由于其依賴于實驗數(shù)據(jù)，對于那些沒有足夠實驗數(shù)據(jù)支持的蛋白質-蛋白質體系，其準確性會受到很大影響。而且，實驗數(shù)據(jù)本身可能存在誤差，這些誤差會在打分函數(shù)的構建過程中被引入，從而導致預測結果的偏差。此外，基于經(jīng)驗的打分函數(shù)難以準確描述所有類型的分子間相互作用，對于一些復雜的相互作用機制，可能無法給出合理的解釋?；谥R的打分函數(shù)，是從大量已知的蛋白質-蛋白質復合物結構數(shù)據(jù)中挖掘信息，通過統(tǒng)計分析得出常見的原子間距離和相互作用模式，進而利用這些統(tǒng)計知識來推斷新的蛋白質-蛋白質相互作用的親和力。在構建基于知識的打分函數(shù)時，研究人員會收集大量的蛋白質-蛋白質復合物晶體結構數(shù)據(jù)，對這些數(shù)據(jù)進行分析，統(tǒng)計不同原子間的距離分布、相互作用類型和頻率等信息，然后建立起基于這些統(tǒng)計信息的打分模型。這種打分函數(shù)的優(yōu)勢在于，它能夠綜合考慮多種類型的相互作用，包括氫鍵、疏水相互作用、芳烴堆積、鹽橋、金屬配位等，并且能夠考慮到去溶劑化效應，相對來說計算簡單、速度快。由于其基于大量的結構數(shù)據(jù)統(tǒng)計，不需要額外的實驗數(shù)據(jù)進行參數(shù)化和訓練，具有較強的靈活性。在面對新的蛋白質-蛋白質體系時，基于知識的打分函數(shù)可以利用已有的統(tǒng)計知識，快速地對其結合構象進行評估，為初步篩選潛在的相互作用提供便利。然而，它的準確性在很大程度上依賴于數(shù)據(jù)庫的豐富性和質量。如果數(shù)據(jù)庫中缺乏某些特定類型的蛋白質-蛋白質復合物結構數(shù)據(jù)，那么對于涉及這些類型的新體系，其預測能力就會受到限制。2.2.2常見打分函數(shù)簡介在蛋白-蛋白分子對接領域，眾多的打分函數(shù)各有千秋，下面將詳細介紹幾種常見的打分函數(shù)，包括ZRANK、dDFire、FireDock等，分析它們的原理、應用場景以及存在的局限性。ZRANK是一種基于知識的打分函數(shù)，它主要通過分析蛋白質-蛋白質復合物的結構特征來評估結合親和力。其原理是利用從大量已知復合物結構中提取的知識，構建一個統(tǒng)計勢能模型。具體來說，ZRANK對蛋白質原子間的距離、角度等幾何參數(shù)進行統(tǒng)計分析，得到不同原子對之間的相互作用勢能。在對接過程中，對于每個候選的蛋白質-蛋白質結合構象，ZRANK根據(jù)這些統(tǒng)計勢能來計算其得分，得分越低表示結合構象越穩(wěn)定，親和力越高。在研究蛋白質-蛋白質相互作用時，ZRANK能夠快速地對大量的對接構象進行打分和排序，篩選出可能的結合模式。然而，ZRANK也存在一定的局限性。由于它基于統(tǒng)計知識，對于一些結構特殊或在訓練數(shù)據(jù)中出現(xiàn)頻率較低的蛋白質-蛋白質體系，其預測準確性可能會受到影響。而且，ZRANK在考慮分子間相互作用時，相對較為簡化，對于一些復雜的相互作用細節(jié)，如動態(tài)變化的相互作用過程，難以準確描述。dDFire是一種基于能量的打分函數(shù)，它主要考慮了蛋白質-蛋白質相互作用中的疏水相互作用和范德華相互作用。dDFire的原理是利用一個基于統(tǒng)計的力場模型，通過計算蛋白質原子間的相互作用能量來評估結合構象的穩(wěn)定性。在計算過程中，dDFire將蛋白質分子看作是由一系列相互作用的原子組成，根據(jù)原子間的距離和類型，計算它們之間的疏水相互作用能和范德華相互作用能。對于一個給定的蛋白質-蛋白質結合構象，dDFire將所有原子間的相互作用能量進行累加，得到該構象的總能量，能量越低表示構象越穩(wěn)定。在蛋白質-蛋白質對接研究中，dDFire能夠有效地評估結合構象的穩(wěn)定性，對于一些主要由疏水相互作用和范德華相互作用主導的蛋白質-蛋白質體系，能夠取得較好的預測結果。但是，dDFire忽略了靜電相互作用等其他重要的相互作用因素，這使得它在處理一些帶電基團較多、靜電相互作用較強的蛋白質-蛋白質體系時，準確性有所下降。而且，dDFire的力場模型是基于統(tǒng)計數(shù)據(jù)構建的，對于一些特殊的蛋白質結構或相互作用模式，可能無法準確反映其真實的能量變化。FireDock是一種綜合考慮多種相互作用的打分函數(shù)，它結合了幾何互補性、靜電相互作用和范德華相互作用等因素來評估蛋白質-蛋白質的結合親和力。FireDock的原理是通過快速傅里葉變換（FFT）算法，在三維空間中搜索蛋白質-蛋白質的最佳對接位置，然后利用基于物理模型的打分函數(shù)對每個候選對接構象進行評估。在搜索過程中，F(xiàn)ireDock首先考慮蛋白質分子表面的幾何互補性，尋找能夠相互匹配的區(qū)域；接著，計算這些區(qū)域之間的靜電相互作用和范德華相互作用能量，綜合這些因素得到每個構象的得分。在實際應用中，F(xiàn)ireDock在預測蛋白質-蛋白質結合模式和親和力方面具有較高的準確性，特別是對于一些需要精確考慮多種相互作用的體系，如酶-底物相互作用體系，能夠提供有價值的信息。然而，F(xiàn)ireDock的計算量較大，尤其是在處理較大的蛋白質分子或需要搜索大量構象時，計算時間會顯著增加，這限制了它在一些大規(guī)模計算場景中的應用。而且，F(xiàn)ireDock在處理蛋白質的柔性時存在一定的局限性，對于蛋白質在結合過程中發(fā)生的較大構象變化，可能無法準確捕捉。2.3能量項相關理論2.3.1范德華勢能范德華力是分子間普遍存在的一種弱相互作用力，它在蛋白質-蛋白質相互作用中發(fā)揮著不可或缺的作用，對蛋白質復合物的結構穩(wěn)定性和功能實現(xiàn)有著深遠影響。范德華力主要源于分子中電子云的瞬間漲落，這種漲落會導致分子間產(chǎn)生瞬時的偶極-偶極相互作用。具體來說，當兩個原子相互靠近時，它們的電子云會發(fā)生相互作用，使得電子云的分布出現(xiàn)瞬間的不均勻，從而產(chǎn)生瞬時偶極。這些瞬時偶極之間的相互作用就構成了范德華力，其中包括吸引力和排斥力。當原子間距離較大時，吸引力起主導作用，它促使分子相互靠近；而當原子間距離過小時，電子云的重疊會導致排斥力急劇增大，阻止分子進一步靠近。在蛋白質-蛋白質相互作用中，范德華力的作用至關重要。蛋白質由眾多氨基酸殘基組成，這些氨基酸殘基上的原子通過范德華力相互作用，使得蛋白質分子能夠形成特定的三維結構。在蛋白質-蛋白質結合界面上，范德華力能夠使兩個蛋白質分子的原子緊密接觸，增加界面的互補性，從而增強蛋白質-蛋白質復合物的穩(wěn)定性。例如，在某些抗體-抗原相互作用體系中，抗體和抗原分子表面的氨基酸殘基通過范德華力相互作用，形成緊密的結合界面，確?？贵w能夠特異性地識別和結合抗原，發(fā)揮免疫防御功能。范德華力還在維持蛋白質分子內部結構的穩(wěn)定性方面發(fā)揮著關鍵作用。它能夠使蛋白質的二級結構（如α-螺旋、β-折疊）和三級結構保持穩(wěn)定，保證蛋白質的正常功能。在實際的分子模擬計算中，范德華勢能通常采用Lennard-Jones勢能函數(shù)來描述，其數(shù)學表達式為：E_{vdW}=4\epsilon\left[\left(\frac{\sigma}{r}\right)^{12}-\left(\frac{\sigma}{r}\right)^{6}\right]其中，E_{vdW}表示范德華勢能，\epsilon是與原子對相關的能量參數(shù)，代表原子間的相互作用強度，\sigma是與原子半徑相關的距離參數(shù)，r是兩個原子之間的距離。公式中的第一項\left(\frac{\sigma}{r}\right)^{12}表示排斥項，它隨著原子間距離r的減小而迅速增大，反映了原子間電子云重疊時產(chǎn)生的強烈排斥作用；第二項\left(\frac{\sigma}{r}\right)^{6}表示吸引項，它隨著原子間距離r的增大而逐漸減小，體現(xiàn)了原子間的瞬時偶極-偶極相互吸引作用。通過這個函數(shù)，可以準確地計算出不同原子對之間的范德華勢能，從而評估蛋白質-蛋白質相互作用中范德華力的貢獻。在計算一個蛋白質-蛋白質復合物中所有原子對的范德華勢能時，需要對復合物中每一對原子的位置進行精確測定，然后根據(jù)它們之間的距離r，代入Lennard-Jones勢能函數(shù)中進行計算。將所有原子對的范德華勢能進行累加，就可以得到整個復合物體系的范德華勢能，進而分析范德華力對復合物穩(wěn)定性的影響。2.3.2靜電勢能靜電作用在蛋白質體系中扮演著關鍵角色，它對蛋白質的結構穩(wěn)定性、功能實現(xiàn)以及蛋白質-蛋白質相互作用等方面都有著重要影響。靜電作用的本質是分子中帶電基團之間的庫侖力，其作用強度與電荷的大小和距離的平方成反比。在蛋白質分子中，氨基酸殘基上存在著許多帶電基團，如賴氨酸的氨基（NH_3^+）帶正電荷，天冬氨酸的羧基（COO^-）帶負電荷，這些帶電基團之間會產(chǎn)生靜電相互作用。當帶相反電荷的氨基酸殘基相互靠近時，它們之間會形成靜電吸引作用，這種吸引作用有助于穩(wěn)定蛋白質的結構；而當帶相同電荷的氨基酸殘基靠近時，會產(chǎn)生靜電排斥作用，可能會影響蛋白質的結構穩(wěn)定性。在蛋白質-蛋白質相互作用中，靜電作用對結合親和力和結合特異性起著決定性作用。蛋白質表面的電荷分布決定了其與其他蛋白質分子的相互作用模式，互補的電荷分布能夠促進蛋白質之間的結合，增強結合親和力。例如，在某些信號傳導蛋白之間的相互作用中，帶正電荷的結構域與帶負電荷的結構域通過靜電吸引相互結合，實現(xiàn)信號的傳遞。在分子模擬中，靜電勢能通常采用庫侖定律來計算，其表達式為：E_{elec}=\frac{q_iq_j}{4\pi\epsilon_0\epsilonr_{ij}}其中，E_{elec}表示靜電勢能，q_i和q_j分別是兩個帶電基團的電荷量，\epsilon_0是真空介電常數(shù)，\epsilon是介質的相對介電常數(shù)，r_{ij}是兩個帶電基團之間的距離。從這個公式可以看出，靜電勢能與電荷量成正比，與距離成反比，并且受到介質介電常數(shù)的影響。在蛋白質體系中，介質的介電常數(shù)通常是一個復雜的因素，它不僅與周圍溶劑的性質有關，還與蛋白質分子內部的電荷分布和結構有關。一般來說，在水溶液中，由于水分子的高介電常數(shù)，靜電作用會被部分屏蔽，使得靜電相互作用的強度相對減弱。而在蛋白質分子內部，由于原子的緊密堆積和低介電常數(shù)環(huán)境，靜電作用可能會更加顯著。在計算蛋白質-蛋白質相互作用的靜電勢能時，需要準確考慮蛋白質分子中每個帶電基團的電荷量、位置以及周圍介質的介電常數(shù)等因素?？梢酝ㄟ^量子化學計算或實驗測量等方法來確定電荷量，利用分子動力學模擬等技術來跟蹤帶電基團的位置變化，同時根據(jù)體系的特點合理選擇介電常數(shù)模型，以準確計算靜電勢能，評估靜電作用對蛋白質-蛋白質相互作用的影響。2.3.3溶劑化勢能溶劑化效應是指溶質分子與溶劑分子之間相互作用而產(chǎn)生的一系列物理化學現(xiàn)象，它在蛋白質體系中具有重要意義。在蛋白質-蛋白質相互作用的研究中，溶劑化效應不可忽視，因為蛋白質通常處于水溶液環(huán)境中，溶劑分子（如水分子）會與蛋白質分子發(fā)生相互作用，影響蛋白質的結構和功能。當?shù)鞍踪|分子溶解在水中時，水分子會圍繞在蛋白質分子周圍，形成溶劑化層。這種溶劑化作用會對蛋白質的穩(wěn)定性和相互作用產(chǎn)生多方面的影響。從熱力學角度來看，溶劑化作用會改變蛋白質分子的自由能，從而影響蛋白質的折疊和相互作用過程。溶劑化作用還會影響蛋白質分子表面的電荷分布和疏水性，進而影響蛋白質-蛋白質之間的相互作用。例如，蛋白質表面的疏水區(qū)域在水中會傾向于聚集在一起，形成疏水核心，這是由于水分子與疏水基團之間的相互作用較弱，水分子更傾向于與其他水分子相互作用，從而導致疏水基團的聚集，這種疏水相互作用在蛋白質-蛋白質相互作用中起著重要的驅動作用?；谌軇┛杉氨砻娣e（SASA）的溶劑化勢能模型是一種常用的描述溶劑化效應的方法。該模型的原理基于這樣一個假設：原子的溶劑化自由能與其暴露在溶劑中的表面積成正比。具體來說，SASA是指探針溶劑分子（通常是水分子，半徑約為1.4?）在蛋白質分子表面滾動時，其球心所能到達的表面積。通過計算蛋白質分子中每個原子的SASA，可以得到整個蛋白質分子的溶劑可及表面積。在計算SASA時，通常采用分子動力學模擬或蒙特卡羅模擬等方法，通過對蛋白質分子的構象進行采樣，計算不同構象下的SASA，然后取平均值作為蛋白質分子的SASA?；赟ASA的溶劑化勢能模型認為，溶劑化勢能E_{solv}可以表示為：E_{solv}=\sum_{i}\sigma_iA_i其中，\sigma_i是與原子類型i相關的溶劑化參數(shù)，反映了該原子與溶劑分子之間的相互作用強度，A_i是原子i的溶劑可及表面積。這個公式表明，溶劑化勢能是所有原子的溶劑化貢獻之和，每個原子的溶劑化貢獻取決于其溶劑化參數(shù)和溶劑可及表面積。通過這種方式，可以將溶劑化效應納入到蛋白質-蛋白質相互作用的能量計算中，更準確地評估蛋白質-蛋白質復合物的穩(wěn)定性和相互作用親和力。在研究蛋白質-蛋白質相互作用時，利用基于SASA的溶劑化勢能模型，可以分析溶劑化作用對不同蛋白質-蛋白質結合構象的影響，篩選出在溶劑環(huán)境中更穩(wěn)定的結合模式。三、HawkRank打分函數(shù)設計3.1數(shù)據(jù)集準備為了構建和評估HawkRank打分函數(shù)，精心準備了一系列蛋白質-蛋白質復合物數(shù)據(jù)集，這些數(shù)據(jù)集的來源廣泛且經(jīng)過嚴格的篩選標準，以確保其質量和多樣性，為后續(xù)的研究提供堅實的數(shù)據(jù)基礎。數(shù)據(jù)集主要來源于蛋白質數(shù)據(jù)銀行（ProteinDataBank，PDB），這是全球最為權威和全面的蛋白質結構數(shù)據(jù)庫之一，包含了大量通過實驗測定的蛋白質-蛋白質復合物結構數(shù)據(jù)。從中篩選出分辨率小于3.0?的復合物結構，以保證結構的準確性和可靠性。高分辨率的結構數(shù)據(jù)能夠更精確地反映蛋白質原子的位置和相互作用關系，對于構建準確的打分函數(shù)至關重要。同時，為了避免數(shù)據(jù)集中存在高度相似的結構導致模型過擬合，采用序列比對工具（如BLAST）對篩選出的復合物進行序列相似性分析，去除序列相似度大于30%的冗余結構。通過這一篩選步驟，確保數(shù)據(jù)集中的每個復合物都具有獨特的結構特征和相互作用模式，從而提高模型的泛化能力。經(jīng)過上述篩選過程，最終得到了一個包含[X]個蛋白質-蛋白質復合物的數(shù)據(jù)集。將該數(shù)據(jù)集按照一定比例劃分為訓練集、測試集和驗證集，其中訓練集用于構建和訓練HawkRank打分函數(shù)，測試集用于評估打分函數(shù)在訓練過程中的性能表現(xiàn)，以便及時調整模型參數(shù)，驗證集則用于獨立驗證最終模型的泛化能力。具體劃分比例為訓練集占70%，測試集占15%，驗證集占15%。這種劃分方式能夠在保證模型充分學習數(shù)據(jù)特征的同時，有效地評估模型在不同數(shù)據(jù)集上的表現(xiàn)，確保模型的可靠性和有效性。在劃分數(shù)據(jù)集時，還充分考慮了蛋白質的功能類別、結構類型以及相互作用方式等因素，使得各個子集在這些方面具有相似的分布，從而避免因數(shù)據(jù)分布不均衡而導致的模型偏差。例如，在訓練集中包含了各種不同功能的蛋白質復合物，如酶-底物復合物、信號傳導蛋白復合物、抗體-抗原復合物等，測試集和驗證集中也相應地涵蓋了這些不同類型的復合物，以全面評估打分函數(shù)在不同蛋白質-蛋白質相互作用體系中的性能。3.2評價標準確定為了全面、準確地評估HawkRank打分函數(shù)對蛋白質-蛋白質結合構象預測的性能，確定了一系列科學合理的評價標準，這些標準涵蓋了多個方面，能夠從不同角度反映打分函數(shù)的優(yōu)劣。對接成功率是評估打分函數(shù)性能的關鍵指標之一。它用于衡量打分函數(shù)能夠正確預測出與實驗測定結構相近的蛋白質-蛋白質結合構象的比例。在實際計算中，對接成功率通過統(tǒng)計在所有對接預測結果中，滿足一定結構相似性標準（如均方根偏差RMSD小于某一閾值，通常取2.0?或3.0?）的構象數(shù)量占總構象數(shù)量的百分比來確定。較高的對接成功率意味著打分函數(shù)能夠有效地篩選出接近真實結合模式的構象，為后續(xù)的研究提供可靠的基礎。在研究某種酶-底物蛋白質-蛋白質相互作用體系時，如果HawkRank打分函數(shù)的對接成功率較高，說明它能夠準確地預測出酶與底物的結合方式，有助于深入理解酶的催化機制。均方根偏差（Root-Mean-SquareDeviation，RMSD）是一種常用的衡量預測結構與真實結構之間相似性的指標。它通過計算預測結構中原子坐標與真實結構中對應原子坐標之間的均方根誤差來評估結構的偏差程度。RMSD的計算公式如下：RMSD=\sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_{i}^{pred}-x_{i}^{true})^2+(y_{i}^{pred}-y_{i}^{true})^2+(z_{i}^{pred}-z_{i}^{true})^2}其中，N是參與計算的原子數(shù)量，(x_{i}^{pred},y_{i}^{pred},z_{i}^{pred})是預測結構中第i個原子的坐標，(x_{i}^{true},y_{i}^{true},z_{i}^{true})是真實結構中第i個原子的坐標。RMSD值越小，表明預測結構與真實結構越相似，打分函數(shù)的準確性越高。在評估HawkRank打分函數(shù)時，通過計算預測的蛋白質-蛋白質結合構象與實驗測定的真實構象之間的RMSD，能夠直觀地了解打分函數(shù)在結構預測方面的精度。皮爾森相關系數(shù)（PearsonCorrelationCoefficient，PCC）用于衡量打分函數(shù)預測的結合親和力與實驗測定的結合親和力之間的線性相關性。它的取值范圍在-1到1之間，其中1表示完全正相關，-1表示完全負相關，0表示無相關性。PCC的計算公式為：PCC=\frac{\sum_{i=1}^{n}(x_{i}-\bar{x})(y_{i}-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_{i}-\bar{x})^2\sum_{i=1}^{n}(y_{i}-\bar{y})^2}}其中，n是數(shù)據(jù)點的數(shù)量，x_{i}和y_{i}分別是打分函數(shù)預測的結合親和力和實驗測定的結合親和力，\bar{x}和\bar{y}分別是x_{i}和y_{i}的平均值。PCC值越接近1，說明打分函數(shù)預測的結合親和力與實驗值之間的相關性越強，能夠更準確地反映蛋白質-蛋白質之間的結合強度。在驗證HawkRank打分函數(shù)的性能時，通過計算PCC，可以評估其在預測結合親和力方面的可靠性，為藥物研發(fā)等應用提供重要的參考依據(jù)。除了上述指標外，還考慮了打分函數(shù)的計算效率，即計算每個蛋白質-蛋白質結合構象得分所需的平均時間。在實際應用中，尤其是在處理大規(guī)模的分子對接計算時，計算效率是一個重要的考量因素。高效的打分函數(shù)能夠在較短的時間內完成大量構象的評估，提高研究效率，降低計算成本。通過統(tǒng)計HawkRank打分函數(shù)在不同規(guī)模的蛋白質-蛋白質體系上的計算時間，與其他常用打分函數(shù)進行對比，能夠評估其在計算效率方面的優(yōu)勢和不足，為其在實際應用中的推廣提供參考。3.3基于SASA的蛋白溶劑化勢能模型參數(shù)化3.3.1模型構建方法本研究基于廣義Born模型和SASA構建蛋白溶劑化勢能模型。廣義Born模型是一種常用的隱式溶劑模型，它通過將溶劑效應近似為溶質分子周圍的連續(xù)介質，來計算溶質分子在溶劑中的自由能變化。在廣義Born模型中，溶劑化自由能主要由靜電相互作用和非靜電相互作用兩部分組成，其中靜電相互作用部分通過求解Poisson-Boltzmann方程來計算，而非靜電相互作用部分則通過經(jīng)驗公式進行估算。在構建基于SASA的蛋白溶劑化勢能模型時，首先利用廣義Born模型計算約800個蛋白質的溶劑化自由能。這些蛋白質涵蓋了不同的結構類型和功能類別，以確保模型的普適性。對于每個蛋白質，通過分子動力學模擬等方法獲取其在不同構象下的原子坐標信息，然后將這些坐標信息輸入到廣義Born模型中，計算出相應的溶劑化自由能。在計算過程中，對蛋白質分子中的每個原子進行編號，并記錄其電荷、半徑等參數(shù)，以便準確計算原子間的相互作用?；趶V義Born模型計算得到的溶劑化自由能，進一步構建基于SASA的溶劑化模型。該模型假設蛋白質的溶劑化自由能是其各個原子溶劑化貢獻的總和，而每個原子的溶劑化貢獻與其溶劑可及表面積（SASA）成正比。具體來說，將蛋白質分子劃分為21種不同類型的原子，對于每種原子類型，通過統(tǒng)計分析計算其對應的溶劑化參數(shù)\sigma_i。在統(tǒng)計過程中，對大量蛋白質結構進行分析，計算每種原子類型在不同環(huán)境下的SASA，并結合廣義Born模型計算得到的溶劑化自由能，利用最小二乘法等優(yōu)化算法確定\sigma_i的值，使得基于SASA的溶劑化模型計算得到的溶劑化自由能與廣義Born模型計算結果盡可能接近。通過這種方式，建立起了能夠準確描述蛋白質在水溶液中溶劑化效應的勢能模型，為后續(xù)HawkRank打分函數(shù)的設計提供了重要的能量項。3.3.2參數(shù)優(yōu)化過程在基于SASA的蛋白溶劑化勢能模型構建完成后，需要對模型中的參數(shù)進行優(yōu)化，以提高模型的準確性和泛化能力。參數(shù)優(yōu)化過程采用了一種基于遺傳算法和最小二乘法相結合的策略。遺傳算法是一種模擬自然選擇和遺傳機制的優(yōu)化算法，它具有全局搜索能力強、魯棒性好等優(yōu)點。在本研究中，遺傳算法用于在較大的參數(shù)空間中搜索可能的最優(yōu)參數(shù)組合。首先，隨機生成一組初始參數(shù)種群，每個參數(shù)個體代表一種可能的\sigma_i值組合。對于每個參數(shù)個體，利用基于SASA的溶劑化模型計算訓練集中蛋白質的溶劑化自由能，并與廣義Born模型計算結果進行比較，計算兩者之間的誤差，將誤差作為適應度函數(shù)的值。適應度函數(shù)值越小，表示該參數(shù)個體對應的模型計算結果與廣義Born模型結果越接近，即模型的準確性越高。然后，根據(jù)適應度函數(shù)值對參數(shù)種群進行選擇、交叉和變異操作，產(chǎn)生新一代的參數(shù)種群。選擇操作采用輪盤賭選擇法，即適應度函數(shù)值越小的參數(shù)個體被選中的概率越大，這樣可以使得更優(yōu)的參數(shù)個體有更大的機會遺傳到下一代。交叉操作則是隨機選擇兩個參數(shù)個體，交換它們的部分參數(shù)，以產(chǎn)生新的參數(shù)組合。變異操作是對參數(shù)個體中的某些參數(shù)進行隨機擾動，以增加參數(shù)種群的多樣性，避免算法陷入局部最優(yōu)解。通過多次迭代遺傳算法，逐漸逼近最優(yōu)的參數(shù)組合。在遺傳算法進行全局搜索的基礎上，利用最小二乘法對得到的較優(yōu)參數(shù)組合進行局部優(yōu)化。最小二乘法是一種常用的參數(shù)估計方法，它通過最小化目標函數(shù)（如模型計算結果與實驗數(shù)據(jù)之間的誤差平方和）來確定最優(yōu)參數(shù)。將遺傳算法得到的較優(yōu)參數(shù)組合作為最小二乘法的初始值，通過最小化基于SASA的溶劑化模型計算結果與廣義Born模型計算結果之間的誤差平方和，進一步調整參數(shù)值，使得模型的準確性得到進一步提高。經(jīng)過遺傳算法和最小二乘法的反復優(yōu)化，最終得到了能夠準確描述蛋白質溶劑化效應的最優(yōu)參數(shù)，為HawkRank打分函數(shù)的準確評估提供了有力支持。3.4HawkRank打分函數(shù)構建HawkRank打分函數(shù)綜合考慮了多種能量項，以全面、準確地評估蛋白質-蛋白質結合構象的穩(wěn)定性和親和力。這些能量項包括范德華勢能、靜電勢能以及溶劑化勢能等，它們在蛋白質-蛋白質相互作用中各自發(fā)揮著重要作用。范德華勢能描述了蛋白質分子中原子間由于電子云的瞬時漲落而產(chǎn)生的弱相互作用力，它對維持蛋白質分子的緊密接觸和復合物的穩(wěn)定性至關重要。靜電勢能則反映了蛋白質分子中帶電基團之間的庫侖相互作用，這種相互作用對蛋白質-蛋白質結合的特異性和親和力有著顯著影響。溶劑化勢能考慮了蛋白質分子與周圍溶劑分子之間的相互作用，由于蛋白質通常處于水溶液環(huán)境中，溶劑化效應會對蛋白質的結構和相互作用產(chǎn)生重要影響，因此溶劑化勢能在打分函數(shù)中也是不可或缺的。為了構建HawkRank打分函數(shù)，需要確定各個能量項的權重，以合理地平衡它們在打分過程中的貢獻。本研究采用了一種基于機器學習的方法來確定權重。具體來說，利用訓練集中的蛋白質-蛋白質復合物數(shù)據(jù)，將每個復合物的結合親和力作為目標值，將范德華勢能、靜電勢能、溶劑化勢能等能量項作為特征值。然后，使用線性回歸算法建立能量項與結合親和力之間的線性關系模型，通過最小化模型預測值與實驗測定的結合親和力之間的誤差，來優(yōu)化權重系數(shù)。在訓練過程中，使用交叉驗證技術來評估模型的性能，防止過擬合現(xiàn)象的發(fā)生。通過多次迭代訓練，最終得到了一組能夠準確反映蛋白質-蛋白質結合親和力的權重系數(shù)。經(jīng)過上述步驟，HawkRank打分函數(shù)的最終形式確定為：Score_{HawkRank}=w_{vdW}E_{vdW}+w_{elec}E_{elec}+w_{solv}E_{solv}+b其中，Score_{HawkRank}表示HawkRank打分函數(shù)對蛋白質-蛋白質結合構象的得分，得分越高表示結合構象越穩(wěn)定，親和力越高；E_{vdW}、E_{elec}和E_{solv}分別表示范德華勢能、靜電勢能和溶劑化勢能；w_{vdW}、w_{elec}和w_{solv}分別是這三種能量項對應的權重系數(shù)，它們通過機器學習方法優(yōu)化得到；b是偏置項，用于調整打分函數(shù)的整體偏移。通過這個打分函數(shù)，可以對蛋白質-蛋白質分子對接產(chǎn)生的各種候選結合構象進行準確的評估和排序，篩選出最有可能的真實結合構象，為后續(xù)的研究和應用提供有力支持。3.5打分函數(shù)評價為了全面評估HawkRank打分函數(shù)的性能，采用了多種評價指標和方法，從不同角度對其準確性、可靠性和效率進行了深入分析。在評估對接成功率時，將HawkRank打分函數(shù)應用于測試集和驗證集中的蛋白質-蛋白質復合物體系。通過分子對接模擬，生成大量的候選結合構象，然后利用HawkRank打分函數(shù)對這些構象進行打分和排序。根據(jù)設定的RMSD閾值（如2.0?），統(tǒng)計得分較高的構象中RMSD小于該閾值的構象數(shù)量，計算其占總構象數(shù)量的百分比，作為對接成功率。在對某一特定蛋白質-蛋白質復合物體系進行對接模擬時，共生成了1000個候選結合構象，經(jīng)過HawkRank打分函數(shù)的評估和排序后，發(fā)現(xiàn)有200個構象的RMSD小于2.0?，那么該體系的對接成功率即為20%。將HawkRank的對接成功率與其他常用打分函數(shù)（如ZRANK、dDFire、FireDock等）進行對比，以評估其在預測蛋白質-蛋白質結合構象方面的能力。對于RMSD指標，通過計算HawkRank打分函數(shù)預測的蛋白質-蛋白質結合構象與實驗測定的真實構象之間的RMSD值，來衡量預測結構與真實結構的相似程度。使用專業(yè)的結構比對軟件（如PyMOL、LigPlot+等），將預測構象和真實構象進行疊合，然后根據(jù)RMSD的計算公式進行計算。在分析某個蛋白質-蛋白質復合物的預測結果時，發(fā)現(xiàn)HawkRank打分函數(shù)預測的最優(yōu)構象與真實構象之間的RMSD為1.5?，這表明該打分函數(shù)能夠較好地預測蛋白質-蛋白質的結合模式。通過對多個蛋白質-蛋白質復合物體系的RMSD計算和統(tǒng)計分析，繪制RMSD分布曲線，直觀地展示HawkRank打分函數(shù)在不同體系中的結構預測精度。為了評估HawkRank打分函數(shù)預測的結合親和力與實驗測定值之間的相關性，計算皮爾森相關系數(shù)（PCC）。收集測試集和驗證集中蛋白質-蛋白質復合物的實驗結合親和力數(shù)據(jù)，與HawkRank打分函數(shù)預測的得分進行對比。利用統(tǒng)計分析軟件（如R語言、Python的pandas和scipy庫等），根據(jù)PCC的計算公式進行計算。在對一組包含50個蛋白質-蛋白質復合物的數(shù)據(jù)集進行分析時，計算得到HawkRank打分函數(shù)預測得分與實驗結合親和力之間的PCC為0.75，這表明兩者之間具有較強的正相關性，即HawkRank打分函數(shù)能夠在一定程度上準確地預測蛋白質-蛋白質的結合親和力。將HawkRank的PCC值與其他打分函數(shù)進行比較，以評估其在預測結合親和力方面的優(yōu)勢和不足。在計算效率方面，統(tǒng)計HawkRank打分函數(shù)計算每個蛋白質-蛋白質結合構象得分所需的平均時間。通過在相同的硬件環(huán)境和計算條件下，對不同規(guī)模的蛋白質-蛋白質體系進行打分計算，記錄每次計算所需的時間，并計算平均值。在處理一個包含100個氨基酸殘基的蛋白質-蛋白質體系時，HawkRank打分函數(shù)計算一個構象得分平均需要0.01秒，而另一個常用打分函數(shù)可能需要0.05秒。通過與其他打分函數(shù)的計算時間對比，評估HawkRank在計算效率上的提升或差距，分析其對大規(guī)模分子對接計算的適用性。四、HawkRank性能評估4.1基于SASA的蛋白溶劑化勢能模型訓練結果經(jīng)過對基于SASA的蛋白溶劑化勢能模型的訓練，得到了一系列重要的結果。通過遺傳算法和最小二乘法的優(yōu)化，確定了21種原子類型對應的溶劑化參數(shù)\sigma_i，這些參數(shù)是模型的關鍵組成部分，它們決定了每個原子對溶劑化勢能的貢獻大小。為了評估模型的擬合效果，計算了基于SASA的溶劑化模型計算得到的溶劑化自由能與廣義Born模型計算結果之間的均方根誤差（RMSE）。結果顯示，RMSE的值為[X]，這表明基于SASA的溶劑化模型能夠較好地擬合廣義Born模型的計算結果，能夠準確地描述蛋白質在水溶液中的溶劑化效應。從圖1中可以直觀地看出，基于SASA的溶劑化模型計算得到的溶劑化自由能與廣義Born模型計算結果之間具有較高的一致性，大部分數(shù)據(jù)點都緊密分布在對角線附近。原子類型溶劑化參數(shù)\sigma_i（kcal/mol/?2）C0.005N0.012O-0.008......（此處插入基于SASA的溶劑化模型計算結果與廣義Born模型計算結果的散點圖，圖1：基于SASA的溶劑化模型與廣義Born模型計算結果對比）進一步分析不同原子類型的溶劑化參數(shù)，可以發(fā)現(xiàn)不同原子類型的\sigma_i值存在明顯差異。這與原子的化學性質和在蛋白質結構中的作用密切相關。例如，極性原子（如N、O等）的溶劑化參數(shù)絕對值較大，這表明它們與溶劑分子之間的相互作用較強，在溶劑化過程中對溶劑化自由能的貢獻較大；而非極性原子（如C等）的溶劑化參數(shù)相對較小，說明它們與溶劑分子之間的相互作用較弱。這種差異反映了蛋白質分子中不同原子在溶劑化過程中的不同行為，也為進一步理解蛋白質的結構和功能提供了重要的信息。通過對這些訓練結果的深入分析，可以認為基于SASA的蛋白溶劑化勢能模型在參數(shù)化后具有較高的準確性和可靠性，能夠有效地應用于HawkRank打分函數(shù)中，為準確評估蛋白質-蛋白質結合構象的穩(wěn)定性提供有力支持。4.2HawkRank打分性能為了深入評估HawkRank打分函數(shù)的性能，將其與其他三種常用的蛋白-蛋白打分函數(shù)ZRANK、dDFire和FireDock進行了全面的對比分析。在測試集上，針對每個蛋白質-蛋白質復合物體系，使用這四種打分函數(shù)分別對分子對接生成的候選結合構象進行打分和排序。以對接成功率作為重要的評估指標，結果顯示HawkRank在多個復合物體系中表現(xiàn)出色。在測試集的[X]個復合物體系中，HawkRank的平均對接成功率達到了[X]%，而ZRANK的平均對接成功率為[X]%，dDFire的平均對接成功率為[X]%，F(xiàn)ireDock的平均對接成功率為[X]%。從具體的復合物體系來看，對于體系1，HawkRank成功篩選出了接近真實結合模式的構象，對接成功率達到了[X]%，而ZRANK、dDFire和FireDock的對接成功率分別為[X]%、[X]%和[X]%。這表明HawkRank能夠更有效地從大量候選構象中識別出正確的結合構象，在預測蛋白質-蛋白質結合模式方面具有明顯優(yōu)勢。通過分析RMSD值與打分函數(shù)得分之間的關系，進一步驗證了HawkRank的性能。繪制RMSD值與得分的散點圖（圖2），可以直觀地看到HawkRank的得分與RMSD值之間呈現(xiàn)出更強的負相關性，即得分越高的構象，其RMSD值越小，與真實結構越接近。在某一復合物體系中，HawkRank得分最高的前10個構象中，有[X]個構象的RMSD值小于2.0?，而ZRANK、dDFire和FireDock得分最高的前10個構象中，RMSD值小于2.0?的構象數(shù)量分別為[X]個、[X]個和[X]個。這說明HawkRank在篩選低RMSD值構象方面具有更高的準確性，能夠更好地預測蛋白質-蛋白質結合構象的結構。（此處插入RMSD值與HawkRank、ZRANK、dDFire、FireDock得分的散點對比圖，圖2：RMSD值與不同打分函數(shù)得分的散點對比圖）在驗證集上，同樣對這四種打分函數(shù)進行了測試，以評估它們的泛化能力。HawkRank在驗證集上依然保持了較好的性能表現(xiàn)，平均對接成功率達到了[X]%，高于其他三種打分函數(shù)。這表明HawkRank不僅在訓練集和測試集上具有良好的性能，而且在面對新的蛋白質-蛋白質體系時，也能夠準確地預測結合構象，具有較強的泛化能力。通過與其他常用打分函數(shù)的對比，充分證明了HawkRank打分函數(shù)在區(qū)分正確與錯誤對接結構方面具有較高的準確性和可靠性，能夠為蛋白質-蛋白質相互作用的研究和藥物研發(fā)提供更有價值的信息。4.3RMSDs與打分函數(shù)得分之間皮爾森相關系數(shù)的對比皮爾森相關系數(shù)是統(tǒng)計學中常用來衡量兩個變量之間相關關系強度的指標，在本研究中，用于衡量打分函數(shù)得分與復合物結構RMSDs之間的線性相關性。通過計算皮爾森相關系數(shù)，可以定量地評估打分函數(shù)得分與RMSDs之間的關聯(lián)程度，從而判斷打分函數(shù)在預測蛋白質-蛋白質結合構象結構相似性方面的能力。在測試集和驗證集上，分別計算了HawkRank、ZRANK、dDFire和FireDock這四種打分函數(shù)得分與RMSDs之間的皮爾森相關系數(shù)。結果顯示，HawkRank的皮爾森相關系數(shù)在測試集上達到了[X]，在驗證集上為[X]，表明HawkRank得分與RMSDs之間存在較強的負相關性。這意味著隨著HawkRank得分的增加，對應的蛋白質-蛋白質結合構象與真實結構之間的RMSD值越小，即構象越接近真實結構。在測試集中的某一蛋白質-蛋白質復合物體系中，HawkRank得分最高的前5個構象的RMSD值均小于2.0?，而ZRANK、dDFire和FireDock得分最高的前5個構象中，RMSD值小于2.0?的構象數(shù)量相對較少。與其他三種打分函數(shù)相比，HawkRank在皮爾森相關系數(shù)上表現(xiàn)出明顯的優(yōu)勢。ZRANK在測試集和驗證集上的皮爾森相關系數(shù)分別為[X]和[X]，dDFire的皮爾森相關系數(shù)分別為[X]和[X]，F(xiàn)ireDock的皮爾森相關系數(shù)分別為[X]和[X]?？梢钥闯?，HawkRank的皮爾森相關系數(shù)絕對值更大，更接近-1，說明其得分與RMSDs之間的負相關性更強，能夠更準確地反映蛋白質-蛋白質結合構象與真實結構的相似程度。從散點圖（圖3）中也可以直觀地看出，HawkRank得分與RMSDs的分布更為集中，沿著負相關的趨勢線分布，而其他三種打分函數(shù)的散點分布相對較為分散。（此處插入HawkRank、ZRANK、dDFire、FireDock打分函數(shù)得分與RMSDs的皮爾森相關系數(shù)散點對比圖，圖3：四種打分函數(shù)得分與RMSDs的皮爾森相關系數(shù)散點對比圖）這種相關性的差異進一步證明了HawkRank打分函數(shù)在區(qū)分不同結構相似性的蛋白質-蛋白質結合構象方面具有更高的準確性。較高的皮爾森相關系數(shù)表明HawkRank能夠更有效地篩選出與真實結構接近的構象，為蛋白質-蛋白質相互作用的研究提供更可靠的結構模型。在研究蛋白質-蛋白質相互作用機制時，準確的結構模型對于理解分子間的相互作用細節(jié)、揭示生物學功能具有重要意義。HawkRank在這方面的優(yōu)勢，使其在藥物研發(fā)、蛋白質功能研究等領域具有更大的應用潛力。4.4HawkRank的局限性盡管HawkRank打分函數(shù)在蛋白-蛋白分子對接中展現(xiàn)出了諸多優(yōu)勢，但它仍存在一些局限性，這些局限性主要體現(xiàn)在特定類型復合物的適應性、對蛋白質柔性的處理以及數(shù)據(jù)依賴性等方面。在處理一些特殊類型的蛋白質-蛋白質復合物時，HawkRank的性能可能會受到影響。例如，對于膜蛋白復合物，由于其特殊的結構和所處的膜環(huán)境，使得傳統(tǒng)的基于水溶液環(huán)境的溶劑化模型難以準確描述其溶劑化效應。膜蛋白通常鑲嵌在細胞膜的脂質雙分子層中，其周圍的溶劑環(huán)境與水溶液有很大差異，而HawkRank基于SASA的溶劑化勢能模型是在水溶液環(huán)境下參數(shù)化的，這可能導致在處理膜蛋白復合物時，對溶劑化勢能的計算不夠準確，從而影響打分函數(shù)對結合構象的評估。在研究某些跨膜蛋白之間的相互作用時，HawkRank打分函數(shù)可能無法準確地預測其結合模式和親和力，因為它無法充分考慮膜環(huán)境對蛋白質-蛋白質相互作用的影響。蛋白質在與其他蛋白質相互作用時，往往會發(fā)生構象變化，這種柔性是蛋白質實現(xiàn)其生物學功能的重要基礎。然而，HawkRank打分函數(shù)在處理蛋白質柔性方面存在一定的局限性。目前，HawkRank在計算能量項時，主要基于蛋白質的靜態(tài)結構，雖然在一定程度上可以通過分子動力學模擬等方法獲取蛋白質的多個構象，但這些構象仍然無法完全涵蓋蛋白質在實際相互作用過程中的所有可能變化。在某些蛋白質-蛋白質相互作用中，蛋白質會發(fā)生較大幅度的構象變化，如誘導契合現(xiàn)象，而HawkRank可能無法準確捕捉這些變化對相互作用能量的影響，導致對結合構象的預測出現(xiàn)偏差。在研究酶-底物相互作用時，當?shù)孜锱c酶結合時，酶的活性位點會發(fā)生構象變化以更好地結合底物，HawkRank打分函數(shù)可能無法準確反映這種構象變化對結合親和力的影響，從而影響對酶-底物結合模式的預測。HawkRank打分函數(shù)的性能在一定程度上依賴于訓練數(shù)據(jù)集的質量和代表性。如果訓練數(shù)據(jù)集中缺乏某些特定類型的蛋白質-蛋白質復合物數(shù)據(jù)，或者數(shù)據(jù)集中存在偏差，那么HawkRank在處理這些類型的復合物時，可能無法準確地預測結合構象和親和力。在訓練數(shù)據(jù)集中，如果某種功能類型的蛋白質-蛋白質復合物數(shù)據(jù)較少，那么HawkRank在面對該功能類型的新復合物時，可能無法準確地評估其結合構象，因為它沒有從訓練數(shù)據(jù)中充分學習到這類復合物的結構特征和相互作用模式。而且，實驗測定的蛋白質-蛋白質復合物結構和結合親和力數(shù)據(jù)可能存在誤差，這些誤差會在訓練過程中被引入到打分函數(shù)中，影響其準確性和可靠性。4.5HawkRank的計算速度在實際應用中，尤其是面對大規(guī)模的蛋白質-蛋白質分子對接任務時，打分函數(shù)的計算速度是一個至關重要的考量因素。HawkRank打分函數(shù)在設計過程中，充分考慮了計算效率的問題，通過采用一系列優(yōu)化策略，在保證準確性的前提下，盡可能提高計算速度。HawkRank在計算能量項時，對范德華勢能、靜電勢能和溶劑化勢能的計算過程進行了優(yōu)化。在計算范德華勢能時，采用了基于截斷距離的算法，只計算距離小于一定閾值（如10?）的原子對之間的范德華相互作用。這樣可以大大減少計算量，因為在實際的蛋白質-蛋白質體系中，大部分原子對之間的距離較遠，其范德華相互作用可以忽略不計。通過設置合適的截斷距離，能夠在不影響計算準確性的前提下，顯著提高計算效率。在計算靜電勢能時，采用了快速多極子方法（FastMultipoleMethod，F(xiàn)MM）。FMM是一種高效的計算長程靜電相互作用的算法，它通過將分子劃分為多個層次的子區(qū)域，利用多極展開的方式來近似計算不同區(qū)域之間的靜電相互作用。這種方法能夠將計算復雜度從O(N^2)降低到O(N)（其中N為原子數(shù)量），從而大大加快了靜電勢能的計算速度。在處理包含大量原子的蛋白質-蛋白質體系時，使用FMM算法可以顯著縮短計算時間，提高HawkRank的整體計算效率。在基于SASA的溶劑化勢能計算中，利用預先計算好的SASA查找表來快速獲取原子的溶劑可及表面積。通過對大量蛋白質結構的分析，預先計算出不同原子類型在各種常見環(huán)境下的SASA值，并存儲在查找表中。在實際計算時，根據(jù)原子的類型和周圍環(huán)境，直接從查找表中讀取相應的SASA值，而無需進行復雜的計算。這種方法可以避免重復計算SASA，節(jié)省大量的計算時間。在對多個蛋白質-蛋白質復合物進行打分時，利用SASA查找表可以快速計算出溶劑化勢能，使得HawkRank在處理大規(guī)模數(shù)據(jù)集時具有明顯的速度優(yōu)勢。為了進一步評估HawkRank的計算速度，在相同的硬件環(huán)境和計算條件下，將其與其他常用打分函數(shù)（如ZRANK、dDFire、FireDock）進行了計算時間的對比測試。選取了不同規(guī)模的蛋白質-蛋白質復合物體系，包括小分子蛋白復合物和大分子蛋白復合物，分別使用這四種打分函數(shù)對分子對接生成的1000個候選結合構象進行打分計算，并記錄每個打分函數(shù)完成計算所需的時間。實驗結果表明，HawkRank在計算速度上具有一定的優(yōu)勢。對于小分子蛋白復合物體系，HawkRank計算1000個構象的平均時間為[X]秒，而ZRANK的平均時間為[X]秒，dDFire的平均時間為[X]秒，F(xiàn)ireDock的平均時間為[X]秒；對于大分子蛋白復合物體系，HawkRank的平均計算時間為[X]秒，相比之下，ZRANK、dDFire和FireDock的平均計算時間分別為[X]秒、[X]秒和[X]秒。這表明HawkRank在處理不同規(guī)模的蛋白質-蛋白質體系時，都能夠在較短的時間內完成打分計算，具有較高的計算效率，能夠滿足大規(guī)模分子對接計算的需求。五、HawkRank軟件與在線打分網(wǎng)站開發(fā)5.1HawkRank軟件設計HawkRank軟件采用了模塊化的設計理念，整體架構清晰，各功能模塊分工明確，協(xié)同工作，以實現(xiàn)高效、準確的蛋白-蛋白打分功能。從整體架構來看，HawkRank軟件主要分為輸入模塊、計算模塊、輸出模塊以及數(shù)據(jù)存儲與管理模塊，各模塊之間通過清晰的接口進行交互，確保軟件的穩(wěn)定性和可擴展性。輸入模塊負責接收用戶輸入的蛋白質結構數(shù)據(jù)，這些數(shù)據(jù)可以來自于多種常見的文件格式，如PDB（ProteinDataBank）格式文件。PDB格式是蛋白質結構研究中最常用的文件格式之一，它包含了蛋白質原子的坐標、原子類型、殘基信息等詳細內容。在接收PDB文件后，輸入模塊會對文件進行解析和預處理，檢查文件的完整性和準確性，確保數(shù)據(jù)能夠被后續(xù)模塊正確處理。它會驗證文件中的原子坐標是否在合理范圍內，殘基編號是否連續(xù)等。如果發(fā)現(xiàn)文件存在錯誤或不完整的地方，輸入模塊會給出相應的提示信息，要求用戶進行修正。計算模塊是HawkRank軟件的核心部分，它實現(xiàn)了HawkRank打分函數(shù)的計算邏輯。在這個模塊中，首先會根據(jù)輸入的蛋白質結構數(shù)據(jù)，計算出各種能量項，包括范德華勢能、靜電勢能和溶劑化勢能等。在計算范德華勢能時，采用基于Lennard-Jones勢能函數(shù)的算法，根據(jù)蛋白質原子的類型和相互之間的距離，準確計算出范德華相互作用能量。對于靜電勢能的計算，利用庫侖定律，并結合蛋白質分子中原子的電荷分布情況進行計算。在計算溶劑化勢能時，運用基于SASA的溶劑化勢能模型，通過計算蛋白質原子的溶劑可及表面積，結合預先優(yōu)化得到的溶劑化參數(shù)，計算出溶劑化勢能。計算模塊會根據(jù)預先確定的權重系數(shù)，將這些能量項進行加權組合，得到最終的HawkRank打分結果。為了提高計算效率，計算模塊采用了多線程并行計算技術，充分利用計算機的多核處理器資源，加速打分過程。在處理大規(guī)模的蛋白質-蛋白質體系時，多線程并行計算可以顯著縮短計算時間，提高軟件的運行效率。輸出模塊負責將計算模塊得到的打分結果以直觀、易懂的方式呈現(xiàn)給用戶。輸出內容包括每個蛋白質-蛋白質結合構象的得分、排名以及對應的結構信息。用戶可以通過輸出模塊查看得分最高的前幾個構象，了解它們的結構特點和得分情況，從而篩選出最有可能的真實結合構象。輸出模塊還支持將結果保存為多種文件格式，如文本文件、CSV文件等，方便用戶進行后續(xù)的數(shù)據(jù)分析和處理。用戶可以將打分結果保存為CSV文件，然后使用Excel等軟件進行進一步的統(tǒng)計分析和圖表繪制。數(shù)據(jù)存儲與管理模塊主要負責存儲和管理軟件運行過程中產(chǎn)生的數(shù)據(jù)，包括輸入的蛋白質結構數(shù)據(jù)、計算過程中的中間數(shù)據(jù)以及最終的打分結果。該模塊采用了關系型數(shù)據(jù)庫（如MySQL）來存儲數(shù)據(jù)，確保數(shù)據(jù)的安全性和可靠性。關系型數(shù)據(jù)庫具有良好的數(shù)據(jù)管理和查詢功能，可以方便地對數(shù)據(jù)進行存儲、檢索和更新。在存儲蛋白質結構數(shù)據(jù)時，將原子坐標、殘基信息等分別存儲在不同的表中，并通過主鍵和外鍵建立關聯(lián)，以便快速查詢和處理。數(shù)據(jù)存儲與管理模塊還提供了數(shù)據(jù)備份和恢復功能，防止數(shù)據(jù)丟失。定期對數(shù)據(jù)庫進行備份，當出現(xiàn)數(shù)據(jù)丟失或損壞時，可以及時恢復數(shù)據(jù)，保證軟件的正常運行。5.2HawkRank軟件使用方法HawkRank軟件為用戶提供了便捷、高效的蛋白-蛋白打分功能，其使用方法相對簡潔明了，以下將詳細介紹軟件的輸入輸出要求、參數(shù)設置等關鍵操作步驟。在輸入要求方面，用戶需準備好待打分的蛋白質-蛋白質復合物結構文件，文件格式要求為PDB格式。PDB文件包含了蛋白質原子的坐標、原子類型、殘基信息等詳細內容，是蛋白質結構研究中最常用的文件格式之一。用戶可以從蛋白質數(shù)據(jù)銀行（PDB）等權威數(shù)據(jù)庫中獲取已有的蛋白質-蛋白質復合物PDB文件，也可以通過自己的實驗測定或其他結構預測方法得到相應的PDB文件。在準備PDB文件時，需確保文件的完整性和準確性，如原子坐標的合理性、殘基編號的連續(xù)性等。如果文件存在錯誤或不完整的地方，可能會影響HawkRank軟件的正常運行和打分結果的準確性。用戶還可以根據(jù)需要，準備一些額外的信息文件，如包含蛋白質序列信息的FASTA文件等，以便在分析過程中提供更多的參考信息。軟件啟動后，用戶首先進入主界面，在主界面中找到文件導入?yún)^(qū)域，通過點擊“導入文件”按鈕或直接將PDB文件拖拽到指定區(qū)域，完成蛋白質-蛋白質復合物結構文件的輸入。在導入文件后，軟件會自動對文件進行解析和預處理，檢查文件的格式和內容是否符合要求。如果文件存在問題，軟件會彈出相應的提示窗口，告知用戶錯誤信息，并引導用戶進行修正。在參數(shù)設置方面，HawkRank軟件提供了一些可調整的參數(shù)，以滿足不同用戶的需求。用戶可以在參數(shù)設置界面中對能量項的權重進行微調。雖然HawkRank打分函數(shù)在開發(fā)過程中已經(jīng)通過機器學習等方法確定了最優(yōu)的權重系數(shù)，但在某些特殊情況下，用戶可能希望根據(jù)自己的研究目的和經(jīng)驗對權重進行調整。用戶可以根據(jù)具體的蛋白質-蛋白質體系，適當增加或減少范德華勢能、靜電勢能或溶劑化勢能的權重，以更好地反映體系的特點。用戶還可以設置計算精度參數(shù)，如距離精度、能量精度等。較高的計算精度可以得到更準確的打分結果，但同時也會增加計算時間和計算資源的消耗。用戶可以根據(jù)自己的實際需求，合理選擇計算精度。如果對計算結果的準確性要求較高，且計算資源充足，可以選擇較高的計算精度；如果需要快速得到大致的打分結果，或者計算資源有限，可以適當降低計算精度。在完成文件輸入和參數(shù)設置后，用戶點擊“開始打分”按鈕，軟件將啟動計算模塊，根據(jù)HawkRank打分函數(shù)對蛋白質-蛋白質復合物的結合構象進行打分計算。在計算過程中，軟件界面會顯示計算進度條，讓用戶實時了解計算的進展情況。如果計算過程中出現(xiàn)異常情況，如內存不足、計算超時等，軟件會及時彈出錯誤提示窗口，告知用戶異常原因，并提供相應的解決建議。計算完成后，軟件將輸出打分結果。輸出內容主要包括每個蛋白質-蛋白質結合構象的得分、排名以及對應的結構信息。得分是根據(jù)HawkRank打分函數(shù)計算得到的，反映了結合構象的穩(wěn)定性和親和力，得分越高表示結合構象越穩(wěn)定，親和力越高；排名則是根據(jù)得分對所有構象進行排序后得到的，方便用戶快速找到得分較高的構象；結構信息包括蛋白質原子的坐標、殘基信息等，用戶可以通過這些信息直觀地了解結合構象的三維結構。輸出結果以文本文件的形式呈現(xiàn)，用戶可以在軟件界面中查看結果，也可以將結果保存到本地磁盤，以便后續(xù)的數(shù)據(jù)分析和處理。軟件還支持將結果導出為CSV文件格式，方便用戶使用Excel等數(shù)據(jù)分析軟件進行進一步的統(tǒng)計分析和圖表繪制。在導出CSV文件時，用戶可以選擇需要導出的列，如得分、排名、RMSD值等，以滿足不同的分析需求。5.3HawkRank打分網(wǎng)站設計5.3.1整體結構HawkRank打分網(wǎng)站的整體結構設計旨在為用戶提供簡潔、高效且直觀的操作界面，使其能夠方便地使用HawkRank打分函數(shù)進行蛋白-蛋白對接結果的評估。網(wǎng)站采用了響應式布局設計，能夠自適應不同設備的屏幕尺寸，無論是在桌面電腦、筆記本電腦，還是平板、手機等移動設備上，用戶都能獲得良好的使用體驗。網(wǎng)站的首頁布局簡潔明了，導航欄位于頁面頂部，始終保持固定，方便用戶在瀏覽過程中隨時切換頁面。導航欄包含“首頁”“打分服務”“結果查看”“幫助文檔”“關于我們”等主要菜單選項?！笆醉摗庇糜谡故揪W(wǎng)站的基本信息和功能介紹，讓用戶快速了解HawkRank打分網(wǎng)站的用途和優(yōu)勢；“打分服務”鏈接到打分任務提交頁面，用戶在此上傳待打分的蛋白質-蛋白質復合物結構文件，并進行相關參數(shù)設置；“結果查看”頁面用于用戶查看已完成的打分任務結果；“幫助文檔”提供了詳細的使用指南和常見問題解答，幫助用戶解決在使用過程中遇到的問題；“關于我們”介紹了網(wǎng)站的開發(fā)團隊和相關背景信息。在打分任務提交頁面，用戶可以通過文件上傳區(qū)域將蛋白質-蛋白質復合物的PDB格式文件上傳至服務器。上傳區(qū)域設置了明顯的提示信息，告知用戶文件格式要求和大小限制。在文件上傳旁邊，提供了參數(shù)設置區(qū)域，用戶可以根據(jù)自己的需求調整打分函數(shù)中的相關參數(shù)，如能量項權重、計算精度等。提交按鈕設計醒目，方便用戶在完成文件上傳和參數(shù)設置后，快速提交打分任務。當用戶提交打分任務后，網(wǎng)站后端的服務器會接收任務請求，并將其分配到相應的計算