Genetic algorithms (GA) [31, 32, 64

Genetic algorithms (GA) [31, 32, 64] form another class of well-known stochastic methods.
The idea of the GA stems from Darwin’s theory of evolution. Degrees of freedom of the
ligand are encoded as binary strings called genes. These genes make up the ‘chromosome’
which actually represents the pose of the ligand. Mutation and crossover are two kinds of
genetic operators in GA. Mutation makes random changes to the genes; crossover exchanges
genes between two chromosomes. When the genetic operators affect the genes, the result is
a new ligand structure. New structures will be assessed by scoring function, and the ones
that survived (i.e., exceeded a threshold) can be used for the next generation. Genetic
algorithms have been used in AutoDock [31], GOLD [65], DIVALI [66] and DARWIN
[67].
Molecular dynamics (MD) [68-70] is widely used as a powerful simulation method in many
fields of molecular modeling. In the context of docking, by moving each atom separately in
the field of the rest atoms, MD simulation represents the flexibility of both the ligand and
protein more effectively than other algorithms. However, the disadvantage of MD
simulations is that they progress in very small steps and thus have difficulties in stepping
over high energy conformational barriers, which may lead to inadequate sampling. On the
other hand, MD simulations are often efficient at local optimization. Thus a current strategy
is to use random search in order to identify the conformation of the ligand, followed by the
further subtle MD simulations.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมทางพันธุกรรม (GA) [31, 32, 64] แบบฟอร์มคลาสอื่นวิธีรู้จักสโทแคสติกความคิดของ GA มาจากทฤษฎีวิวัฒนาการของดาร์วิน องศาความเป็นอิสระของการลิแกนด์จะถูกเข้ารหัสเป็นสายอักขระแบบไบนารีที่เรียกว่ายีน ยีนเหล่านี้สร้าง "โครโมโซม"ที่จริงหมายถึงก่อให้เกิดของลิแกนด์ การกลายพันธุ์และไขว้มีสองประเภทของตัวดำเนินการทางพันธุกรรมในการกลายพันธุ์ GA. ทำการสุ่มเปลี่ยนแปลงยีน แลกเปลี่ยนแบบไขว้ยีนระหว่าง chromosomes สอง เมื่อตัวทางพันธุกรรมมีผลต่อยีน ผลคือโครงสร้างลิแกนด์ใหม่ โครงสร้างใหม่จะถูกประเมิน โดยฟังก์ชั่นให้คะแนน และคนที่รอดชีวิต (เช่น เกิน) สามารถใช้สำหรับรุ่นต่อไปได้ ทางพันธุกรรมมีการใช้อัลกอริทึมใน AutoDock [31], [65] ทอง กษาปณ์ [66] และดาร์วิน[67]โมเลกุล dynamics (MD) [68-70] จะใช้เป็นวิธีการจำลองที่มีประสิทธิภาพในเขตข้อมูลของการสร้างแบบจำลองโมเลกุล ในบริบทของเทียบ โดยแต่ละอะตอมในแยกต่างหากฟิลด์ของอะตอมเหลือ MD จำลองแสดงถึงความยืดหยุ่นของลิแกนด์ทั้งสอง และโปรตีนได้อย่างมีประสิทธิภาพกว่าอัลกอริทึมอื่น ๆ อย่างไรก็ตาม ข้อเสียของ MDจำลองคือ จะดำเนินการในขั้นตอนเล็ก ๆ และจึง มีความยากลำบากในการดำเนินงานผ่านอุปสรรค conformational พลังงานสูง ซึ่งอาจทำการสุ่มตัวอย่างไม่เพียงพอ ในการอีก MD จำลองมักมีประสิทธิภาพที่เพิ่มประสิทธิภาพของท้องถิ่น ดังนั้นกลยุทธ์การปัจจุบันจะใช้การค้นหาแบบสุ่มเพื่อระบุ conformation ของลิแกนด์ ตามเพิ่มเติมรายละเอียด MD จำลอง

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีทางพันธุกรรม (GA) [31, 32, 64] รูปแบบการเรียนของที่รู้จักกันดีวิธีการสุ่มอีก.
ความคิดของ GA เกิดจากทฤษฎีวิวัฒนาการของดาร์วิน องศาของเสรีภาพในการ
แกนด์จะถูกเข้ารหัสเป็นสตริงไบนารีที่เรียกว่ายีน ยีนเหล่านี้ทำขึ้น 'โครโมโซม'
ที่จริงเป็นท่าของแกนด์ การกลายพันธุ์และครอสโอเวอร์สองชนิดของ
ผู้ประกอบการทางพันธุกรรมใน GA การกลายพันธุ์ทำให้เกิดการเปลี่ยนแปลงแบบสุ่มไปยังยีน; ครอสโอเวอร์แลกเปลี่ยน
ยีนระหว่างสองโครโมโซม เมื่อผู้ประกอบการทางพันธุกรรมที่ส่งผลกระทบต่อยีนผลที่ได้คือ
โครงสร้างแกนด์ใหม่ โครงสร้างใหม่จะได้รับการประเมินโดยฟังก์ชั่นการให้คะแนนและคน
ที่รอดชีวิต (เช่นเกินเกณฑ์) สามารถใช้สำหรับรุ่นต่อไป พันธุกรรม
ขั้นตอนวิธีการมีการใช้ใน AutoDock [31], GOLD [65], เวก [66] และดาร์วิน
[67].
พลศาสตร์โมเลกุล (MD) [68-70] ถูกนำมาใช้อย่างกว้างขวางว่าเป็นวิธีการที่มีประสิทธิภาพการจำลองในหลาย
ด้านของการสร้างแบบจำลองโมเลกุล . ในบริบทของการเชื่อมต่อโดยการย้ายแต่ละอะตอมแยกต่างหากใน
เขตของอะตอมที่เหลือจำลองแสดงให้เห็นถึงความยืดหยุ่น MD ของทั้งสองแกนด์และ
โปรตีนที่มีประสิทธิภาพมากขึ้นกว่าขั้นตอนวิธีการอื่น ๆ แต่ข้อเสียของ MD
จำลองก็คือพวกเขามีความคืบหน้าในขั้นตอนที่มีขนาดเล็กมากและทำให้มีความยากลำบากในการก้าว
ข้ามอุปสรรคพลังงานสูงโครงสร้างซึ่งอาจนำไปสู่การสุ่มตัวอย่างไม่เพียงพอ บน
มืออื่น ๆ , การจำลอง MD มักจะมีประสิทธิภาพในการเพิ่มประสิทธิภาพท้องถิ่น ดังนั้นกลยุทธ์ในปัจจุบัน
คือการใช้การค้นหาแบบสุ่มเพื่อระบุโครงสร้างของแกนด์ตามด้วย
อีกบอบบางจำลอง MD

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) [ 31 , 32 , 64 ] อีกรูปแบบชั้นเรียนวิธีการ Stochastic ที่รู้จักกันดี
แนวคิดของเกมมาจากทฤษฎีการวิวัฒนาการของดาร์วินส์ องศาของเสรีภาพของลิแกนด์ถูกเข้ารหัสเป็นเลขฐานสองสตริง
เรียกว่ายีน ยีนโครโมโซมแต่งหน้า ' '
ที่จริงเป็นท่าของลิแกนด์ . การกลายพันธุ์และครอสโอเวอร์เป็นสองชนิดของ
พันธุกรรมในกาการกลายพันธุ์ที่ทำให้เกิดการเปลี่ยนแปลงแบบสุ่มไปยังการแลกเปลี่ยนยีนระหว่างยีน ;
2 โครโมโซม เมื่อผู้ประกอบการทางพันธุกรรมมีผลต่อยีน ผลที่ได้คือการเกิดโครงสร้างใหม่ โครงสร้างใหม่จะถูกประเมินโดยให้คะแนนการทำงานและคนที่
รอดมาได้ ( เช่น เกินเกณฑ์ ) ที่สามารถใช้สำหรับรุ่นต่อไป ขั้นตอนวิธีเชิงพันธุกรรม
ถูกใช้ใน autodock [ 31 ] ทอง [ 65 ]divali [ 66 ] และดาร์วิน
[ 67 ] .
พลศาสตร์เชิงโมเลกุล ( MD ) [ จํานวนห้อง ] ถูกใช้อย่างกว้างขวางเป็นวิธีการจำลองที่มีประสิทธิภาพในด้านของโมเลกุลแบบมากมาย
. ในบริบทของการเชื่อมต่อ โดยการย้ายแต่ละอะตอมต่างหาก
สนามที่เหลือ อะตอม , MD จำลองแสดงถึงความยืดหยุ่นของลิแกนด์และ
โปรตีนได้อย่างมีประสิทธิภาพมากกว่าแบบอื่น ๆ อย่างไรก็ตาม ข้อเสียของ MD
จำลองที่พวกเขาความคืบหน้าในขั้นตอนขนาดเล็กมากและดังนั้นจึงมีปัญหาในการก้าวข้ามอุปสรรค
โครงสร้างพลังงานสูง ซึ่งอาจนำไปสู่การขาดคน บนมืออื่น ๆที่ใช้
) มักจะมีประสิทธิภาพในการเพิ่มประสิทธิภาพท้องถิ่น ดังนั้นกลยุทธ์ปัจจุบัน
ใช้การค้นหาแบบสุ่มเพื่อระบุโครงสร้างของลิแกนด์ตาม
เพิ่มเติมสีสัน MD จำลอง .