1.一种基于信息熵的蛋白质结构从头预测方法，其特征在于：所述预测方法包括以下步骤：

1)给定输入序列信息，以及蛋白质力场模型，即能量函数Rosetta Score3；

2)初始化：由输入序列产生一系列轨迹数据，即具有时序性的一系列蛋白质构象，记为C＝{C1,C2,...,Ci,...,Cn}，i∈{1,2,…,n}，其中，Ci表示当前从头预测方法搜索轨迹n个构象中具有时序关系的第i个构象，并初始化迭代次数G＝0；

3)计算轨迹构象集合C中所有构象两两之间的均方根偏差RMSD值，构建如式(1)所示的RMSD距离矩阵D；

其中，dij为轨迹构象中第i个构象和第j个构象之间的RMSD值，另外，可将距离矩阵D中的行数据视为对应构象的距离信息；

4)采用k-mediods方法对轨迹构象进行聚类，过程如下：

4.1)随机选取k个构象作为聚类的中心点M，即选择距离矩阵D中的k行数据作为聚类中心点，记为M＝{M1,...,Mk|Mk＝{dk1,...,dkn}}；

4.2)查询距离矩阵D，确定每个轨迹构象与第i个中心点Mi的RMSD值最小，为轨迹构象添加标签tag_i，表示该轨迹构象聚类至第i类；

4.3)查询距离矩阵D，确定轨迹构象中与各构象RMSD值最小的构象，作为第i类中新的中心点Mi；

4.4)若新旧中心点一致，则聚类终止，否则，返回4.2)；

5)对轨迹构象构建Markov模型，过程如下：

5.1)依据轨迹构象的时序关系，统计第i类中转移至第j类的轨迹构象数，记为zij；

5.2)根据概率计算公式，即 统计轨迹构象在k个类之间的转移概率，构建如式(2)所示的转移矩阵T：其中，tij为轨迹构象从第i类转移至第j类的转移概率；

6)计算信息熵，过程如下：

6.1)如式(3)所示，计算概率pij：

其中tij为轨迹构象从第i类转移至第j类的转移概率，Ntrans为总的转移概率；

6.2)如式(4)所示，计算信息熵E：

7)当前从头预测方法继续生成构象，根据如下操作决定新生成的构象Ctrial是否替换其前一个构象Ctarget，过程如下：

7.1)当前信息熵为E(Ctarget)，将Ctrial计入轨迹构象集合C中，更新信息熵，记为E(Ctrial)；

7.2)如果E(Ctrial)＞E(Ctarget)，则构象Ctarget保持不变，当前从头预测方法进行下一次构象搜索；

7.3)如果E(Ctrial)＞E(Ctarget)，则新构象Ctrial替换前一个构象Ctarget；

8)判断是否满足终止条件，若满足则输出结果并退出，否则返回步骤3)。

2.如权利要求1所述的一种基于信息熵的蛋白质结构从头预测方法，其特征在于：所述步骤2)中，设置最大迭代次数Gmax，所述步骤8)中，对种群中的每一个个体都执行完步骤

3)—7)以后，迭代次数G＝G+1，终止条件为迭代次数G达到预设最大迭代次数Gmax。