分子构象聚类中的K-means密度峰值搜索算法

摘要

分子构象的聚类是搜索分子动力学模拟轨迹中代表构象的主要方法。它是分析复杂构象改变或分子间相互作用机制的关键步骤.作为一种基于密度的聚类算法,密度峰值搜索算法因其聚类的准确度而被应用于分子聚类过程中.但随着模拟时长的增长,密度峰值搜索算法较低的计算效率限制了其应用的可能.本文提出K-means密度峰值搜索算法的聚类算法,它是密度峰值搜索算法在计算效率方面的一个扩展版本,用于解决密度峰值搜索算法中巨大的资源消耗问题.在K-means密度峰值搜索算法中,首先,通过高效的聚类算法(例如K-means)进行初始聚类,得到的聚类中心被定义为具有权重的典型点.然后,对加权的典型点通过密度峰值搜索算法实现二次聚类,并细化点为核心点、边界点、加细光晕点.在与密度峰值搜索算法具有相似的精度的同时,计算复杂度由O(n^(2))降至O(n).通过二面角,二级结构,关联图描述的分子构象,将KFDP用于多个模拟轨迹的聚类过程中.并通过与K-means聚类算法,DBSCAN聚类算法的比较结果,验证了K-means密度峰值搜索算法的优势.