1.一种基于抽象凸下界估计的蛋白质结构预测方法，包括以下步骤：

1)选取合适的力场模型，本发明采用ECEPP/3力场模型能量函数的表示形式如下：式中 表示肽链中原子个数，为第i个原子的坐标 Ebond为键长贡献项，BOND为键长集合，b为1-2原子之间的距离，b0为1-2原子之间平衡状态下键长，kb为键长强度；Eangle为键角贡献项，ANGLE为键角集合，a为两键矢量之间的夹角，a0为平衡状态下键角，ka为键角的强度；Etorsion为正常二面角贡献项，采用余弦函数的形式描述，TOR为正常二面角集合，MUL为二面角多样性集合，τ为正常二面角，m为多样性，Vm,τ为二面角τ对应于多样性m的势垒高度，γm,τ为二面角τ对应于多样性m的初始相位；Eelectrostatic为静电力贡献项，ES为静电作用力原子集合，qi为原子i的部分电荷，qj为原子j的部分电荷，ε为介电常数；Evdw为范德华力相互作用贡献项，采用Lennard-Jones势描述，VDW为范德华作用力集合，rij为原子i与原子j之间的欧氏距离，参数Aij和Bij依赖于特定原子类型和相互作用的特征；Ehydrogen为氢键相互作用贡献项，HB为氢键作用力集合，Cij和Dij依赖于相互作用特征；Eother为其它额外的能量贡献项；

2)将力场模型转换为单位单纯形约束下的目标函数，并通过局部优化的方法获得其简化的势能模型；

3)参数初始化：设置群体规模popSize，变异因子F为0.5，交叉因子CR为0.1，低估概率underFactor，常数M，支撑向量规模K＝N+1，N为肽链中二面角的自由度，支撑向量阈值KT，初始群体 其中 称为单位单纯形，计算f5(xi),i∈I，其中f5为简化势能模型对应的目标函数 并设为区域I上的最小值，其中I＝{1,2,...,popSize}；

4)对每一个目标个体xi∈S，i＝1,2,…,popSize，作如下处理：

4.1)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i}；

4.2)对{xa,xb,xc}执行变异操作 生成变异个体i

4.3)对目标个体x和变异个体 执行交叉操作，生成测试个体

4.3.1)设置j＝1；

4.3.2) 其中randb(j)产生0到1之间的随机数；rnbr(i)产生1到N+1之间的任一个整数；

4.3.3)j＝j+1；

4.3.4)如果j

4.4)i＝i+1；如果i

5)对目标个体xi∈S和测试个体 i＝1,2,…,popSize，逐个更新操作：

5.1)设置i＝1；

5.2)查询包含 的子区域 计算 其中 为低估支撑面在 子区域中唯一的最优解， 为唯一对应于子区域 的支撑向量矩阵对角项；

5.3)如果 转至5.9)；

5.4)如果K

5.5)如果random(0,1)

5.6)计算 其中 为给定区域中的唯一最优解；

5.7)如果 转至5.9)；

5.8)计算 如果 则置 K＝K+1，更新树结构TK；

5.9)i＝i+1；如果i≤popSize，转至5.2)；

6)置

7)判断是否满足终止条件，如不满足转至步骤3)；

8)输出结果，退出。

2.如权利要求1所述的基于抽象凸下界估计的蛋白质结构预测方法，其特征在于：步骤

2)中模型变换方法为，模型(I)中b，a，τ，rij变量均为 个原子坐标 的函数，经过平移及旋转变换后问题维数为 给定肽链中所有原子坐标，可计算得到能量值；

通常在生物学条件下，键长偏差小于 键角偏差小于2°；因此，考虑肽链分子的键长、键角均固定在平衡状态，设置Ebond＝Eangle＝Eother＝0，可将其维数降至 其中 为肽链分子中共价键总数， 为肽链分子中独立键角总数；与此同时，该简化过程也引入高价的非线性等式约束条件；为了消除高价非线性等式约束条件，设代入模型(I)，可得到：

式中 为肽链二面角向量；N为肽链中二

面角的自由度，即优化问题维数，NRES表示残基个数， 为第i个残基侧链二面角的个数；且满足 为第i个残基主链C–N–Cα–C四个原子之间的二面角，ψi为第i个残基主链N–Cα–C–N四个原子之间的二面角，ωi为第i个残基主链Cα–C–N–Cα四个原子之间的二面角， 为第i个残基侧链第 个二面角变量。

3.如权利要求2所述的基于抽象凸下界估计的蛋白质结构预测方法，其特征在于：将给定的力场模型转换为单位单纯形，并获得简化的力场模型：设τ′t＝τt+π，常数 其中τt为模型(II)中二面角变量，t＝1,2,...,N，N为二面角自由度,即优化问题维数；则由模型(II)约束条件可知：τ′t≥0,t＝1,2,...,N；采用下列投影变换：将模型(II)边界约束可行域一对一地映射成单位单纯形 将式(2)代入模型(II)可得：

min f3(x)＝f2(2πNx1-π,2πNx2-π,...,2πNxN-π),x∈S.       (III)近一步，应用局部优化方法，得到以下松弛模型：其中 为以x为初始点在模型(III)势能曲面上应用局部最小化算法得到的局优解；

显然，模型(IV)为模型(III)松弛势能曲面，即min f3(x)＝min f4(x)。