众所周知，蛋白质的天然结构具有能量最小点，因此我们可以开发出某些能量函数，来描述蛋白质的力能学特征。当前的能量函数可以分为两大类，即耗时的半经验力场和统计势能函数。半经验力场描述的是蛋白质分子内的各种相互作用，其所需的基本参数，大多来源于对小分子实验结果的数据分析，或者是量子力学的理论计算结果。这种势能可由物理原理推导而得，具有很高的精确度。但其推导过程，需要对蛋白质分子进行全原子描述，同时还要考虑蛋白质分子的溶剂环境，使得计算过程非常耗时，因此在现实研究中应用不大。　　 与半经验力场不同，统计势能基于简化的蛋白质描述模型，来源于对蛋白质结构特征的统计分析。统计势能最初由Tanaka and Scheraga提出，在Miyazawa and Jernigan的努力下得到了进一步的发展。其基本原理是，先观察某些蛋白质序列或结构因子，如残基间的距离，扭转角和溶剂可及面等在蛋白质结构数据集中出现的频率，而后利用玻尔兹曼原理将此频率转换成势能。由于统计势能相对简单，计算高效，甚至于和某些半经验力场相比其精确度也不相上下，因而得到了广泛的应用。　　 随着蛋白质结构数据库的不断扩大，部分学者的注意力也转向如何利用越来越多的结构信息，以提高统计势能函数的预测力。然而，结果却不尽人意，势能函数的预测力并没有随着结构信息的增加而显著提高。一些学者认为，可能是基于单一蛋白质结构因子的势能函数过于简单，而无法充分利用结构信息。于是他们开始尝试组合若干个结构因子，以导出新的势能函数。结果却发现，原来足够多的蛋白质结构数量，在组合势能的推导中显得非常不足。2006年，Gilis等人提出了一个全新的统计势能函数派生方案，解决了上述问题。这个方案组合了几个蛋白质序列和结构因子：氨基酸类型、主链二面角、溶剂可及性、序列相对位置和残基间距离。同时将蛋白质折叠总自由能分解成子势能项的总和，每一项子势能由不同的结构因子组合推导得出。作者最终得出了42个子势能项，分为局部和距离势能两大类，可以以一定的数量组合加和成总能。作者精心从两大类势能项中各挑选了一组进行测试，声称所得势能函数的表现，好过所有基于残基水平甚至于原子水平的势能函数。　　 然而Gilis等人得出的势能函数，其推导和使用略显复杂。我们的工作就是在他们的基础上进行的，目的是在Gilis等人的42个子势能项中找出一个相对简单的组合势能函数，在预测力上不低于他们得出的两组。在挑选过程中，我们对导出的某些算法进行了适当的改变：直接用残基侧链的重心计算残基间的距离，适当简化了算法；逼近原子球体的多面体三角形数目调整为1280，以提高逼近精度；将Gilis等人所得的保存42个子势能项数值的文本文件转化为数据库，以提高查询速度。最后我们得到了4个简化的势能项组合，性能不差于Gilis等人的组合。