1.一种基于距离分布估计的蛋白质预测方法，其特征在于：所述方法包括以下步骤：

1)给定输入序列信息；

2)能量函数E(x)采用Rosetta的打分函数score3；

3)参数初始化：设置种群规模Psize，学习阶段迭代次数G1，搜索阶段最大的迭代次数Gmax，连续拒绝数Cmax，窗口长度l，距离间隔为r，参数t，结构相似度阈值Rcut，初始温度常数KT；

4)基于过程的构象知识构建距离分布，过程如下：

4.1)启动Psize条轨迹，每条轨迹采样G1次；在采样中对每个个体进行片段组装，并利用Monte Carlo机制判断是否接收该片段的插入，记录接收的总次数Num，并且将每一次接收后的构象保存到构象集X＝{xi|i∈N+且i＜Num}；

4.2)对构象集X中所有的构象进行聚类选出潜在的构象，具体操作如下：

4.2.1)在当前构象集X中，选出能量最低的构象x,x∈X，将x从X中移到构象集X′；

4.2.2)依次计算构象集X中的每一个构象xi与x基于Cα原子的均方根偏差R；如果R≤Rcut，则将xi从X中移到构象集X′；

4.2.3)统计构象集X′中含有的构象个数Num′，如果Num′＞t·Num，则转至步骤4.3.4)，否则转至步骤4.3.1)；

4.2.4)利用构象集X′中所有构象x′,x′∈X′的结构信息，以滑动窗口的形式遍历计算每个残基对的空间距离d′mn，其中n＝m+l；

4.2.5)以r为间隔进行划分，统计构象集X′中d′mn落入各个距离区间[a,b]的构象个数即a＜d′mn≤b，则 其中b＝a+r且a＞0,b＜3.78l。如果构象集X′中没有d′mn落入区间[a,b]，则

4.2.6)目标个体所有 组成目标个体的距离分布；

5)对构象集X′中所有的构象根据能量进行排序，选出能量最低的前Psize个构象并进行编号x′j,j∈{j＝1,...,Psize}为潜在构象；

6)对每个目标个体x′j,j∈{j＝1,...,Psize}进行如下操作：

6.1)利用能量函数计算构象x′j的能量E(x′j)；

6.2)对个体x′j进行片段组装生成个体 并计算个体 的能量

6.3)根据公式 计算x′j和 的能量变化；如果ΔE＜0，则直接接收个体 为变异个体x″j；如果ΔE≥0，根据公式p＝e-ΔE/kT计算玻尔兹曼概率p；

6.4)如果p＞rand其中rand∈[0,1]的随机数，则接受个体 为变异个体x″j转至步骤

7)，否则更新变异拒绝次数，进行步骤6.5)；

6.5)如果连续拒绝了Cmax次，则增大温度常数，即KT＝KT+1，否则温度常数保持不变；

7)对每个目标个体x′j,j∈{j＝1,.2..,Psize}和变异个体x″j,j∈{j＝1,.2..,Psize}进行如下选择操作：

7.1)遍历计算目标个体x′j中第m和第n个残基Cα原子间的距离 确定出 所对应的区间[a,b]，并将距离分布中对应的 赋给变量Nmn，即

7.2)根据公式 计算目标个体x′j的距离分布得分；

7.3)同理就算变异个体x″j的距离分布得分S(x″j)；

7.4)利用能量函数分别计算目标个体x′j和变异个体x″j的能量E(x′j)和

7.5)如果 则变异个体x″j直接进入下一代，并作为下一代的父代个体，否则进入步骤7.6)；

7.6)根据公式ΔS＝S(x″j)-S(x′j)计算目标个体与变异个体的距离分布得分差，如果ΔS＜0则变异个体x″j进入下一代，并作为下一代的父代个体，否则个体x′j进入下一代。

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

6)。