1.一种基于距离相似度的蛋白质构象空间搜索方法，其特征在于：所述构象空间搜索方法包括以下步骤：

1)给定输入序列信息；

2)参数初始化：设置种群规模Pop_size，最大迭代次数Gmax，交叉因子CR，初始种群搜索轨迹长度iteration，交叉片段长度fragment，变异计数器counter，变异计数器的最大计数值counter_max，每个个体xi,i∈{1,2,...,Pop_size}的能量计算选用Rosetta Score3函数即E(xi)，温度常数T，序列间隔num，先验知识中目标蛋白残基间的空间距离构成的初始特征向量V＝{v1,1+num,…,vk,k+num},k∈[1,length-num]，其中vk,k+num是第k个残基相应的α原子和第k+num个残基相应的α原子之间的欧式距离，length为序列长度，选择概率Ps；

3)初始化种群：启动Pop_size条Monte Carlo轨迹，每条轨迹搜索iteration次，即生成Pop_size个初始个体；

4)对每个目标个体xi,i＝1,.2..,Pop_size进行如下操作：

4.1)随机选取个体xj,j∈{1,2,...,Pop_size}且j≠i，随机生成rand∈[0,1]，若rand≤CR，则对个体xi和xj进行如下操作：

4.1.1)随机生成整数begin∈[1,length-fragment]作为交叉起始点，进而得到交叉区间[begin,end]，其中begin+fragment＝end为交叉终止点；

4.1.2)在交叉区间[begin,end]内依次交换交个体xi和xj相应的扭转角度，生成新个体x′i,x′j；

否则x′i＝xi,x′j＝xj，转至步骤4.2)

4.2)对个体x′i,x′j进行如下的变异操作生成变异个体x″i,x″j：

4.2.1)对个体x′i进行片段组装，利用Rosetta Score3函数E(xi)分别计算组装前后的能量值Ei和E′j；

4.2.2)利用Monte Carlo机制即根据公式P(ΔE)＝min{1,e-ΔE/T}＞random判断是否接收该片段的插入，其中random∈[0,1]的随机数，ΔE是个体x′i的在组装前后的能量变化值即ΔE＝E′j-Ei；

4.2.3)如果接受则转至步骤4.2.5)否则转至4.2.4)；

4.2.4)变异计数器counter开始计数；若counter≤counter_max则依次执行步骤

4.2.1)、4.2.2)和4.2.3)直到成功变异生成个体x″i为止；否则执行步骤4.2.1)生成变异个体x″i；最后，计数器counter清零；

4.2.5)对个体x′j依次执行步骤4.2.1)、4.2.2)和4.2.3)，生成变异个体x″j；

4.3)根据目标个体xi和变异个体x″i、x″j的能量和距离相似度进行选择，选出优势个体并更新种群，过程如下：

4.3.1)依次计算出目标个体xi的第k个残基相应的α原子和第k+num个残基相应的α原子之间的欧式距离 进而得出目标特征向量

4 .3 .2) 计 算目 标 个 体 x i的 距 离 相 似 度 其中

4.3.3)对个体x″i执行步骤4.3.1)得出个体x″i对应的变异特征向量并根据

计算出个体x″i相应的距离相似度sim_mutation_1；

4.3.4)对个体x″j依次执行步骤4.3.1)得出个体x″j对应的特变异征向量并根据

计算出个体x″j对应的距离相似度sim_mutation_2；

4.3.5)根据Rosetta Score3函数分别计算出目标个体xi和个体x″i、x″j的能量值分别为energy_object,energy_mutation_1,energy_mutation_2；

4.3.6)在个体xi和个体x″i、x″j中，如果某一个体Y∈{xi,x″i,x″j}的能量值和距离相似度均小于其他两个个体的能量值和距离相似度，则该个体为优势个体；如果某一个体Y′∈{xi,x″i,x″j}能量值小于其他两个个体的能量值，则随机生成rand_pro1∈(0,1)，如果rand_pro1≤Ps则将该个体设为优势个体；同理，如果某一个体Y″∈{xi,x″i,x″j}的对应相似度是最小的，则随机生成rand_pro2∈(0,1)，如果rand_pro2≤Ps则将该个体设为优势个体；最后，优势个体替代目标个体，更新种群；

5)判断是否达到最大迭代代数Gmax，若达到，则输出结果，否则转至步骤4)。