蛋白质结构预测问题是从蛋白质的一维结构即氨基酸序列预测蛋白质的三维结构,而蛋白质优化则是由一个粗糙的初始预测结构得到更加接近真实的结构。研究蛋白质结构,有助于了解蛋白质的作用,了解蛋白质如何行使其生物功能,认识蛋白质与蛋白质(或其它分子)之间的相互作用,这无论是对于生物学还是对于医药学的研究,都是非常重要的。目前,蛋白质结构优化主要面临三个挑战。一个是关于三维结构的实验先验知识不足、能量函数的描述不够准确,所以能量极小值的结构并不能保证是最接近真实结构的;另一个是缺乏高效的优化算法来进行巨大构像空间的搜索,往往无法有效地搜索到较优的结构;还有就是缺乏有效的蛋白质结构质量评测方法来从候选结构集中选择最好的结构。针对以上三个问题,本文提出了一个全新的基于多目标粒子群算法的蛋白质结构优化方法:AIR(Artificial Intelligence-based protein Refinement method)。其基本思想是选择多个能量函数作为多目标优化的目标函数从而来减少单个能量函数带来的误差,并且运用群智能粒子群算法的信息共享机制来进行更快速准确的结构搜索,最后根据多目标优化问题的特性使用数学统计的方式选择最终结构。AIR整体可分为三步骤:(1)收集多个待优化的初始结构作为输入;(2)利用多目标粒子群方法进行多次的迭代,计算每个结构的目标函数值并根据Pareto最优选择非支配的结构;(3)在最终的非支配结构中根据期望边际效用进行排序,选出最终的优化结构作为输出。为了验证优化效果,本文在具有代表性的测试集上进行了多方面的实验,并且与领域内其他方法进行了对比,实验结果证明多目标方法AIR的可行性,优化后的蛋白质结构在均方根误差RMSD(Root Mean Square Derivation)、TM-score(Template Model score)等评价指标上都取得非常不错的表现,且优化表现明显优于其他方法。此外,为了加快研究成果的转化与普及,还搭建了一个在线网络平台供研究人员实时免费的访问,访问地址是:www.csbio.sjtu.edu.cn/bioinf/AIR/。