1.一种深度学习域间约束辅助的多域蛋白质结构组装方法，其特征在于，首先，输入待组装多域蛋白质的所有单域的三维结构；然后，将多域蛋白质结构库中每个模板与每两个连续域的比对进行打分得到局部模板，并根据每个模板与每个单域的比对进行打分得到全局模板，选择得分最高的T个局部模板和全局模板作为组装模板，利用DeepPotential预测结构域间的约束信息，从而计算多域蛋白的混合能量函数；针对每个模板，根据该混合能量函数进行N步独立的L‑BFGS模拟，利用能量最低时每个结构域的平移向量和旋转角生成最终的全长模型，最后，选择T个局部模板的全局模板中能量最低的结构作为最终组装结构；

所述方法包括以下步骤：

1)输入待组装多域蛋白质的所有单域的三维结构；

2)设置参数：冲突距离阈值dcut，L‑BFGS拟牛顿算法独立模拟次数N，组装模板数量T；

3)通过蛋白质结构比对工具TM‑align，对多域蛋白质结构库中每个模板与每两个连续域的比对进行打分，每个局部模板的得分为每个结构域与模板之间的比对得分TM‑score的平均值；

4)对多域蛋白质结构库中每个模板与每个单域的比对进行打分，每个全局模板的得分为每个结构域与模板之间比对得分TM‑score的调和平均值，并分别选择得分最高的T个局部模板和全局模板作为组装模板；

5)利用残基间约束预测工具DeepPotential预测旋转角、氢键网络、残基间距离以及各结构域之间的残基约束对应的置信度Uij，i＝1，2，...，Lm；j＝1，2，...，Ln，其中Lm，Ln表示第m个结构域和第n个结构域的序列长度，Uij表示第m个结构域中的第i个残基与第n个结构域中的第j个残基之间约束的置信度；

6)根据所选的每个模板进行组装；

7)选择根据T个局部模板的全局模板所生成的能量最低的全长结构作为最终组装结构。

2.如权利要求1所述的深度学习域间约束辅助的多域蛋白质结构组装方法，其特征在于，所述6)的过程如下：

6.1)计算结构域Cβ原子间的距离能量：

其中dij是第i个结构域中Cβ原子与第j个结构域中Cβ原子之间的距离，P(i,j,k(dij))是由DeepPotential预测的dij落在第k个区间所对应的概率，‑4

ε＝10 是很小的正数防止概率为0；

6.2)计算结构域方向能量：

其中Oij代表域间残基之间的二面角，P(i,j,k(dij))是由DeepPotential预测的Oij落在第k个角度区间的概率；

6.3)计算结构域间接触能量：

6.4)计算结构域间的氢键约束能量：

其中 的计算如下：

其中 表示第m个结构域的第i个残基和第n个结构域的第j个残基之间氢键的角度, 表示对应角度为 的概率；

6.5)计算结构域间冲突能量：

6.6)计算结构域间一般接触能量：

其中，若第i个残基和第j个残基是疏水基团则uij＝0.1，若第i个残基和第j个残基是亲水基团则uij＝0.01，否则uij＝0.05；

6.7)计算结构域间距离谱能量：

其中Tij是模板数量；其中ai和aj是模板对齐的第i个残基和第j个的残基的索引，并且满t足：0.6|i‑j|＜|ai‑aj|＜1.5|i‑j|，Dij是第t个模板中ai和aj残基中Cα原子之间的距离；

2

6.8)计算结构域连接性能量：Edb(m，n)＝(bmn‑b0)，其中bmn是两个连续域连接端点之间的Cα原子的距离， 是Cα原子之间的标准距离；

6.9)计算模板约束能量项： 其中d(Si，S′i)表示在模板对齐过程生成的初始结构中第i个Cα原子(Si)和组装过程生成的构象中对应的Cα原子(S′i)间的距离，L是蛋白质长度；

6.10)计算旋转半径能量：

0.319

其中Rdecoy是构象的旋转半径，Rmin＝2.849L 为估计的最小旋转半径，Rmax＝max{Rmin+

7.5，0.55Nmh}为估计的最大旋转半径，Nmh是构象中最长的螺旋残基数量；

6.11)计算当前结构的总能量E：

6.12)对混合能量函数进行赋权值；

6.13)对该混合能量函数进行N步独立的L‑BFGS模拟寻找每个结构域最优的旋转角φ、θ、ψ和平移向量(t1,t2,t3)，用总能量最低时的平移向量和旋转矩阵生成最终的全长模型。

3.如权利要求2所述的深度学习域间约束辅助的多域蛋白质结构组装方法，其特征在于，所述步骤6.12)的过程如下：

6.12.1)若该模板的得分小于0.85，则其中的权重值为：w1＝5，w2＝1，w3＝3，w4＝1.2，w5＝0.2，w6＝1.0，w7＝0.02，w8＝0.01，w9＝0.15，w10＝0.13；

6.12.2)否则权重值为：w1＝1，w2＝0.2，w3＝0.2，w4＝0.15，w5＝0.15，w6＝0.1，w7＝

0.02，w8＝0.01，w9＝1.2，w10＝0.12。

4.如权利要求2或3所述的深度学习域间约束辅助的多域蛋白质结构组装方法，其特征在于，所述步骤6.13)的过程如下：

6.13.1)根据域间旋转角度φ、θ、ψ，生成旋转矩阵Trot：其中aij，i＝1，2，3，j＝1，2，3是旋转矩阵的元素；

6.13.2)生成平移矩阵T＝(xm,ym,zm)：其中(t1,t2,t3)是域的平移向量，(x0,y0,z0)是第m个原子的初始位置，(xm,ym,zm)是第m个原子变换后的新位置，(xc，yc，zc)是结构域的中心点；

6.12.3)根据相应的旋转角度和平移向量，计算每个结构域中每个原子的位置，生成新的全长结构。