技術要約：共進化の観点を通じたタンパク質変異の特性評価のためのモデルフリー推論

問題提起

タンパク質の共進化解析は、残基間の接触を予測し、変異の影響を理解するために、多重配列整列（MSA）データに依存している。この分野における中心的な課題は、直接的な結合（残基間の直接的な相互作用）と、間接的な結合（中間残基を介して伝播する相関）を区別することである。既存の手法には以下のような重大な限界がある：

• 相関変異解析（CMA）および相互情報量（MI）： これらは直接的結合と間接的結合を分離できず、偽陽性を引き起こす。
• 直接結合解析（DCA）： 有効ではあるが、DCAはポッツモデルに依存している。モデルベースのアプローチであるため、モデルの誤設定に敏感であり、予測の不確実性（例：p値や信頼区間）を定量化するための厳密な統計的推論フレームワークを欠いている。
• 偏相関の限界： 標準的な偏相関は連続変数向けに設計されている。MSAデータは多変量カテゴリ変数（アミノ酸）で構成されている。PSICOVなどの手法で行われているように、one-hotエンコーディングされたMSAデータに標準的な偏相関を適用することは、カテゴリ変数の固有のブロック構造を無視しており、条件付き依存性の解釈を誤らせる可能性がある。

接触予測を統計的検定問題として扱い、厳密な不確実性の定量化を提供すると同時に、アミノ酸データのカテゴリ的性質を正しく扱う、モデルフリーのフレームワークが必要とされている。

手法：CATParc

著者らは、多変量カテゴリ変数のための新しい偏相関の定義に基づき、接触予測を統計的検定問題へと変換するCATParc（CATegorical Partial Correlation）を提案する。

1. データ変換とグラフ構築

• One-Hot エンコーディング： MSAデータ（$N$ 配列、$m$ 位置）を変換する。各位置 $i$ は、$d_i$ 個の一意のアミノ酸を持ち、$N \times d_i$ のバイナリ行列へと展開される（識別可能性を確保するため、ギャップ列は除外する）。結果として得られるデータ行列 $X$ は、$D = \sum d_i$ 個の列を持つ。
• ブロック構造： 列は位置（$G_1, \dots, G_m$）ごとにグループ化される。標準的な偏相関が2変数間のスカラー値を算出するのに対し、本フレームワークにおける位置 $i$ と $j$ の間の偏相関は、これら2つの位置におけるアミノ酸のランダムベクトル間の条件付き依存性を表す行列 $P_{(i,j)}$ となる。
• 回帰の定義： 偏相関行列は局所回帰を通じて定義される。位置 $i$ と $j$ の関係を見つけるために、著者らは $i$ と $j$ のアミノ酸ベクトルを他のすべての位置（$G^c_{i,j}$）のベクトルに対して回帰するが、その際、位置 $i$ および $j$ 内の他のアミノ酸タイプの効果は回帰除去しない。これにより、生物学的な妥当性が保持される。
• 推定： 高次元性とグループスパース性（ほとんどの位置ペアは接触していない）を考慮し、回帰係数は**多変量グループLasso（Multivariate Group Lasso）**を用いて推定される。

2. 統計的検定フレームワーク

核心となるタスクは、空の仮説 $H_0: P_{(i,j)} = 0$（直接結合なし）に対する対立仮説の検定である。

• 残差： Group Lasso 回帰から得られた適合残差を計算する。
• 検定統計量： 残差を用いたスペクトルベースの検定統計量を構築する。具体的には、残差の標本共分散から導出された正準相関行列の固有値に基づく、修正された**ウィルクスのラムダ（Wilk's Lambda）**統計量を用いる。
• 漸近分布： 緩やかな仮定（劣ガウス性、精度行列のブロックスパース性）の下で、検定統計量は重み付きカイ二乗分布に収束する。残差の共分散構造を考慮するため、重みはデータから推定される。
• 多重検定： $m(m-1)/2$ 個のペアがテストされるため、本フレームワークは同時検定問題を扱うための正規化変換を用いた偽発見率（FDR）制御手順を採用している。

3. アミノ酸組み合わせの特定

接触を検出するだけでなく、フレームワークは相関に寄与する特定のアミノ酸の組み合わせを特定する。

• 適合した残差を用いて、位置 $(i, j)$ における特定のアミノ酸ペア $(t_1, t_2)$ の正規化された偏相関を計算する。
• これらを個別にテスト（適切なp値の閾値を適用）することで、どの特定の残基ペアが共進化シグナルを駆動しているかを特定し、補償的変異に関する洞察を提供する。

4. 変異効果の予測

推定された偏共分散行列は、新しい変異効果予測のための特徴量を生成するために使用される。

• 特徴量の構築： 野生型 $w$ に対する変異配列 $a$ の、2つの特徴量 $\Delta C(a)$（全体的なペア相互作用エネルギーの変化）および $\Delta M(a)$（周辺的な好ましさの変化）を導出する。
• 統合： これらの特徴量を、Evolutionary Scale Modeling (ESM) 言語モデルから抽出された1,280個の特徴量に加算し、教師あり学習モデル（kNN, SVM, Random Forest）を訓練する。

主な貢献

1. カテゴリデータのための初の推論ベースの偏相関： 著者らは、アミノ酸位置のブロック構造を保持する多変量カテゴリ変数のための偏相関を正式に定義した。これは、one-hot エンコーディングされたデータを連続変数として扱う PSICOV などの手法とは異なるアプローチである。
2. モデルフリーの統計的推論： DCA とは異なり、CATParc はタンパク質配列に対して特定の分布（例：ポッツモデル）を仮定しない。これは、Type I エラーの制御と検出力に関する理論的保証を備えた、厳密な統計的推論フレームワークを提供する。
3. 粒度の高い変異解析： 接触を駆動する具体的なアミノ酸の組み合わせを特定することで、位置レベルの予測を超えて、残基レベルのメカニズムに関する洞察を提供する。
4. 強化された変異予測： 本フレームワークから得られる特徴量が、共進化解析から得られる ESM 特徴量を補完し、変異効果予測の精度を向上させることを示した。

結果

接触予測

• 性能： CATParc は、6 つのタンパク質ファミリー（アルファヘリックス、ベータシート、混合型）について、AUC を用いて評価された。
• 比較： CATParc は、MI、PSICOV、各種 DCA バリアント（mfDCA, plmDCA, GREMLIN, GaussDCA）、および ESM2 言語モデルを含む既存の手法を一貫して上回った。
  • 例： PF01037 ファミリーにおいて、CATParc は 0.827 の AUC を達成し、これは PSICOV の 0.778 や plmDCA の 0.748 を上回る数値である。
• 堅牢性： 本手法は、異なる構造カテゴリにわたって高い性能を維持したが、ベータシートタンパク質において性能が最も低くなった（これは長距離接触の検出が困難であることに起因する、他の手法でも見られる傾向である）。

アミノ酸の組み合わせ

• Class A ベータラクタマーゼ ファミリー（位置 23 および 30）に適用したところ、本手法は、既知の構造的相互作用（水素結合、電荷の入れ替え）と一致する E(p23)-K(p30) や R(p23)-E(p30) といった特定の補償ペアを正常に特定した。
• サンキー・ダイアグラムと相関マップは、どのアミノ酸グループが結合を駆動しているかについての詳細な可視化を提供した。

変異効果予測

• ベンチマーク： ベータラクタマーゼ ファミリーと実験的な融解温度データ（Hopf et al., 2017）を使用。
• 改善： ESM 特徴量に 2 つの CATParc 由来の特徴量を加えることで、予測された変異効果と実験的な変異効果の間のスピアマン相関係数が 3% 向上した（例：kNN で 0.793 から 0.817 へ）。
• 比較： 対照的に、PSICOV から得られた特徴量を加えると性能が低下した。これは、CATParc の特徴量抽出の優位性を強調している。

意義と主張

論文は、CATParc がタンパク質の共進化解析における、モデルベースから推論ベースへの重要な転換を象徴していると主張している。

• 不確実性の定量化： 強力な分布仮定に頼ることなく、接触予測のための厳密な統計的推論（p値、誤差制御）を提供する最初のメソッドである。
• 解釈性： 特定のアミノ酸の組み合わせを特定することで、既存の手法ではほとんど探索されていない、補償的変異に関するより深いメカニズムの理解を提供する。
• 補完性： 結果は、大規模言語モデル（ESM など）がグローバルな生化学的表現を捉える一方で、共進化解析から得られるタスク適応型かつファミリー固有の構造情報の統合によって、大きく恩恵を受けることを示唆している。

著者らは、本フレームワークが、タンパク質の変異を特性評価するための有効で強力かつ解釈可能なツールを提供し、将来の研究におけるエッジセットの同時検定への拡張の可能性を秘めていると結論付けている。