1.一种基于小生境重采样的多模态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)输入目标蛋白质的序列信息；

2)根据目标蛋白质序列从ROBETTA服务器获取3片段和9片段的片段库文件；

3)设置参数：最大迭代次数G，能量函数系数k1，小生境半径系数k2，降级函数系数m，能量阈值T；

4)设置g＝1，g∈{1,2,...,G}；

5)能量函数初始化：记P为目标构象，设置Rosetta初始能量函数为M1(P)＝score(P)；

6)构象初始化：随机片段组装产生一个初始构象

7)初始小生境构象生成操作，过程如下：

7.1)记Mg(P)为第g次迭代的能量函数，以 作为初始构象，根据能量函数Mg(P)运行Rosetta中的abinitio协议第一至四阶段，记 为四个阶段中能量最高的接收构象，其能量值为 为能量最低的接收构象，其能量值为

7.2)若 则执行步骤8)，否则，重新执行步骤7)；

8)小生境重采样操作，过程如下：

8.1)记Ωg为第g次迭代的接收构象集合，并设置 以 作为初始构象，根据能量函数Mg(P)继续运行Rosetta第一至四阶段，若接收的目标构象Paccept的能量Eaccept＜T，则Ωg＝Ωg∪{Paccept}，并记 为集合Ωg中能量最低的构象；

8.2)记 分别为集合Ωg中能量最低构象 的第i个残基的二面角，分别为集合Ωg中第j个构象的第i个残基的二面角，j∈{1,2,...,|g

Ωg|}，L为目标蛋白质的序列长度，按如下公式计算小生境半径r：

8.3)记 φi、ωi分别为目标构象P的第i个残基的二面角， 为目标构象P与能量最低构象 之间的距离，并按如下公式计算：

8.4)按如下公式计算降级函数：

8.5)按如下公式计算下一次迭代的能量函数：

9)设置g＝g+1，若g＞G，则执行步骤10)；否则，转至步骤6)；

10)输出G次迭代中的G个能量最低构象 作为最后预测结果，g∈{1,2,...,G}。