1.一种下界估计策略自适应蛋白质结构预测方法，其特征在于：所述方法包括以下步骤：

1)给定目标蛋白的序列信息；

2)根据目标蛋白序列从ROBETTA服务器上得到片段库文件，其中包括3片段库文件和9片段库文件；

3)设置参数：种群大小NP，算法的最大迭代代数G，交叉因子CR，温度因子β，学习周期LP，第一种变异策略被选择的概率 第二种变异策略被选择的概率 第三种变异策略被选择的概率 第四种变异策略被选择的概率 g表示当前的代数，策略数量k，第g代第k种策略成功次数 置迭代代数g＝0，斜率控制因子M；

4)种群初始化：随机片段组装生成NP个初始构象Ci，i＝{1,2，…,NP}；

5)将每个构象Ci，i＝{1,2，…,NP}的每个碳α原子的三维坐标组合成该构象的位置坐标代表第i个构象的第一个碳α原子的三维坐标，L为蛋白质序列长度；

6)对种群中的每个个体Ci进行如下操作：

6.1)将Ci设为目标个体 生成随机数pSelect，其中pSelect∈(0,1)；

6.2)若 则从种群中随机选出三个互不相同的个体Ca、Cb和Cc，分别从Cb、Cc中随机选择一个位置不同的3片段，分别替换Ca对应位置的片段生成变异构象Cmutant,并把k置为1；

6.3)若 则先从种群中选择一个能量最低的个体Cbest，再从种群中随机选出两个互不相同的个体Ca、Cb， 分别从Ca、Cb和Cbest中随机选择一个位置不同的3片段，分别替换 对应位置的片段生成变异构象Cmutant，并把k置为2；

6.4)若 则从种群中随机选出四个互不相同的个体Ca、Cb、Cc和Cd， 分别从Cb、Cc、Cd中随机选择一个位置不同的3片段，分别替换Ca对应位置的片段生成变异构象Cmutant，并把k置为3；

6.5)若 则从种群中随机选出两个互不相同的个体Ca和Cb，分别从Ca、Cb中随机选择一个位置不同的3片段，分别替换 对应的位置片段生成变异构象Cmutant，并把k置为4；

6.6)对Cmutant进行一次片段组装生成新构象Cmutant′；

6.7)生成随机数pCR，其中pCR∈(0,1)，若pCR＜CR，则从 中随机选择一个3片段，替换到Cmutant′对应的位置的片段生成测试构象Ctrial，否则直接把Cmutant′记为Ctrial；

6.8)从种群中找出距离Ctrial最近的个体Cnear，将对应构象每个碳α原子的三维坐标组合成该构象的位置坐标，则Ctrial和Cnear的位置坐标分别为

6.9)若g＝0，则用Rosetta score3能量函数计算Ctrial、Cnear的能量score3(Ctrial)、score3(Cnear)，用公式(1)、(2)计算M和Mi，Mi表示由第i个构象计算出的斜率控制因子，分别是Xnear、Xtrial第j维坐标；

6.10)如果 则Ctrial替换 否则按照概率以蒙特卡洛准则接收构象，若接收构象，则

6.11)若g>0，用公式(3)计算Ctrial的下界估计UEtrial；

如果 则Ctrial被拒绝，否则由公式(1)、(2)计算M，并且如果则Ctrial替换 否则按照概率

以蒙特卡洛准则接收构象，若接收构象，则

7)当g>0时，由公式(4)计算参数Mg,Mg表示第g代的M， 表示第g代计算出的Mg集合里第i个常量M，n为集合的大小，操作如下：如果Mg

8)当g>LP时，根据公式(5)更新变异策略选择的概率 c是一个很小的常数：

9)g＝g+1，迭代运行步骤5)～9)，至g>G为止；

10)输出能量最低的构象为最终结果。