1.一种基于香农熵的多阶段蛋白质结构预测方法，其特征在于：所述蛋白质结构预测方法包括以下步骤：

1)给定输入序列信息，利用Robetta服务器获得该序列的片段库；

2)Markov状态模型的构建，过程如下：

2.1)获取nstruct个背景点：运行Rosetta Abinitio协议nstruct次，记录每次运行的构象结果，作为背景点；

2.2)计算nstruct个背景点之间的方均根差距离RMSD，组成距离矩阵D；

2.3)根据距离矩阵D，利用k‑mediods聚类方法对nstruct个背景点分类，得到m个簇心，作为m个Markov状态；

3)初始化：种群规模NP，当前阶段stage＝1，香农熵阈值α，香农熵最大累计次数count_max，根据输入序列，执行Rosetta Abinitio的当前阶段NP次，产生初始构象种群P＝{C1,C2,...,CNP}，其中CNP表示第NP个个体；

4)计算当前种群状态：对种群中个体Ci,i∈{1,...,NP}分类：计算Ci与m个簇心的RMSD距离，若Ci与第p个簇心距离最近，那么该个体当前状态statei＝p，p∈{1,2,...,m}，整个种群的状态表示为statelast＝{state1,state2,...,stateNP}，statelast指上一代种群状态，stage＝stage+1；

5)令香农熵的累计次数count＝0，进入下一阶段，过程如下：

5.1)对种群执行对应阶段的预测过程，过程如下：

5.1.1)对个体Ci进行片段组装得到C′i，并使用该阶段的能量函数评价片段组装前后该构象的能量Estage(Ci)、E′stage(C′i)；

5.1.2)若Estage(Ci)＞E′stage(C′i)，则接受本次片段组装，即Ci＝C′i；否则，用Metropolis标准进行选择，计算p＝exp(‑(Estage(Ci)‑Estage(C′i))，若p＞rand(0,1)，则接受本次片段组装Ci＝C′i；否则，拒绝本次片段组装；

5.1.3)对所有个体执行步骤5.1.1)～5.1.2)，得到下一代种群；

5.2)计算当前种群状态：对种群中个体Ci,i∈{1,2,...,NP}分类：计算Ci与m个簇心的RMSD距离，若Ci与第q，q∈{1,2,...,m}个簇心距离最近，那么该个体当前状态state′i＝q，整个种群的状态表示为statenow＝{state′1,state′2,...,state′NP}，statenow指当前种群状态；

5.3)根据上一代种群状态与当前种群状态统计得出Markov状态转移矩阵T：对构象Ci,i∈{1,...,NP}的前后两次状态statei＝p和state′i＝q表明一次从状态p到状态q的转移，则tpq＝tpq+1/m，tpq为矩阵T第p行第q列的数值，表示该状态转移频率，其初始值为0；

5.4)根据状态转移矩阵T计算香农熵值Entropy＝∑‑tpqlntpq；

5.5)更新当前状态statelast＝statenow；

5.6)如果Entropy＜α,则认为种群状态转移越确定，则count＝count+1；

5.7)若count