1.2空间约束和真实空间优化法 基于空间约束的同源模建方法逐渐被人们认可，越来越多的其他类型的约束信息被添加到方法中来。这也使得这种方法越来越完善。Andrej Sali等人[9]开发了一种整合了多种空间约束的同源模建方法，其中包含的空间约束有Cα原子之间的距离约束，NO原子之间的距离约束，立体化学约束，主链二面角约束以及侧链二面角约束。这种方法的基本步骤是，首先，根据模板序列与目标序列的比对结果，从模板结构中提取相对应的同源约束，这些约束的展现形式都是概率密度函数，也就是每一个同源约束就产生一个概率密度函数；然后通过多目标函数法和共轭梯度算法来对得到的概率密度函数进行优化，得到最优解，即模型结构信息。

    Cα原子之间的距离约束，也就是约束目标蛋白质中两个不同氨基酸残基的Cα原子之间的距离的概率密度函数。这个概率密度函数也就是一个高斯分布，其中高斯分布的平均值是模板结构中对应残基的Cα原子之间的距离，标准差是通过已知结构中Cα原子之间的距离；两个比对序列的部分同源性；已知结构中这段距离两端的残基的部分溶剂亲和性；距离两端的残基离空位的平均距离四个参数根据相应的计算公式得到的 ......