蛋白结构预测是当前计算生物学以及生物信息学领域最具代表性和影响力的研究方向之一。蛋白质结构模型评估一般是蛋白质三级结构预测和蛋白质设计的最终步骤,它负责从大量候选结构中筛选出更接近于真实结构的结果。目前蛋白质结构模型评估主要有两种思路:“基于知识的”(KB)和“基于物理的”(PB)。传统的“基于物理的”模型的性能并没有那么有效。我们提出了一种广义溶剂化自由能框架,主要思想是将给定复杂系统的每个基本物理组成单元定义为溶质,并将其所有周围单元定义为其特定溶剂。它本质上可以灵活地用于多尺度,并且适合于机器学习的实施。Cullpdb数据集生成于2018.11.26,其中任意两条序列的相似性小于25%,分辨率小于2.0埃并且R-factor小于0.25。我们从PDB数据库中下载其中的8129条数据,作为原始数据集。本文分别将蛋白质的氨基酸序列中氨基酸二体和氨基酸三体视为溶质单位。在已下载的数据中,通过定义溶质单位的特定溶剂环境,利用python中的biopython库来处理PDB数据,提取并计算相关数据作为溶剂特征,包括代表溶质单位与溶剂环境相对位置6个夹角,溶质单位与溶剂环境的空间距离,以及溶剂环境的氨基酸类别,用神经网络实现了一个氨基酸水平的广义溶剂化自由能模型。模型旨在尽可能地预测出溶质单位类别,预测越准确,计算出的蛋白质自由能越低,意味着对应的蛋白质结构越稳定,我们也由此可以区分出天然的与非天然的蛋白质结构。对于氨基酸三体的神经网络模型,我们特别构建了新的hierarchical softmax输出层,以哈夫曼树形结构代替原本的softmax输出层,一定程度上提升了模型训练效率。