Proteins as Statistical Languages: Information-Theoretic Signatures of Proteomes Across the Tree of Life

技術要約：統計的言語としてのタンパク質

問題提起
タンパク質配列は、伝統的に、構造・機能関係や配列空間における選択圧を優先する、生化学的および進化的な枠組みを通じて分析されてきた。この視点は、配列そのものが持つ固有の統計的性質を見落としがちである。本論文は、補完的な観点を提示している。すなわち、タンパク質を単なる生物学的分子としてではなく、「統計的言語」——有限のアルファベット（20種類のアミノ酸）上で制約された確率過程によって生成される文字列——として扱うという視点である。対処すべき核心的な問題は、モデルに依存しない情報理論的な記述子の欠如であり、それによって、実際のプロテオームがいかにランダムなベースラインから逸脱しているかを定量化し、生命の樹全体における「情報のシグネチャー」を明らかにすることである。

手法
著者らは、タンパク質アンサンブルを特徴付けるための一連の固有の情報記述子を定式化している：

• 組成エントロピー ($H_1$): アミノ酸頻度に基づく不確実性を測定する。
• 隣接相互情報量 ($I_1$): 直近の隣接する残基間の依存性を定量化する。
• 距離依存的情報プロファイル ($I_d$): 残基間の距離 ($d$) が増加するにつれて、情報依存性がどのように減衰するかを追跡する。

純粋にアミノ酸組成に起因する効果と、真のポジション依存性から生じる効果を区別するために、本研究では**ヌルモデルのラダー（階層）**を採用している：

1. 一様モデル (Uniform Model): 組成の偏りがないベースライン。
2. 組成一致型 i.i.d. (独立同一分布): 対象となるプロテオームの正確なアミノ酸頻度は保持しているが、位置相関を持たないランダムな配列。
3. Markov-1 サロゲート (代理モデル): 局所的な遷移統計（隣接依存性）は保持しているが、高次の構造は想定していない一次マルコフ連鎖モデル。

実証的な評価は、主要な系統を表す20のUniProtリファレンスプロテオームにわたって行われた。分析には、統計的な堅牢性を確保するためにタンパク質レベルのブートストラップ・リサンプリングを用い、実データと**一致させた合成コントロール（ヌルモデルから生成されたもの）**を比較した。さらに、冗長性を評価するための直交的な指標として、**圧縮性のプロキシ（gzip）**を使用し、i.i.d. コントロールに対する冗長性を検証している。

主な貢献

• 情報記述子の定式化: タンパク質アンサンブルのために $H_1$、$I_1$、$I_d$ を測定するための厳密なフレームワークを確立し、単一タンパク質の分析を超えて、集団レベルの統計へと発展させた。
• ヌルモデルのラダー: 一様、i.i.d.、および Markov-1 サロゲートに対する段階的な比較を導入することで、組成の影響と、真の高次ポジション依存性を効果的に分離した。
• 直交検証: gzip による圧縮性の統合により、非パラメトリックで直交的なチェックを提供し、冗長性の検出を補強した。

結果
20のリファレンスプロテオームにわたる実証分析により、一貫した知見が得られた：

1. ランダム性からの逸脱: 実在のプロテオームは、組成一致型の i.i.d. ベースラインから一貫して逸脱しており、配列生成がアミノ酸頻度のみに駆動される単純なランダムプロセスではないことを裏付けている。
2. 局所統計を超えて: 実在のプロテオームにおける情報プロファイル ($I_d$) は、一次 Markov サロゲートの下で予想される減衰よりも有意に長く高い値を維持している。これは、局所的な遷移統計を超えた統計的依存性が存在することを示唆しており、長距離の相関または高次の制約の存在を示唆している。
3. 冗長性のシグネチャー: gzip 圧縮性のプロキシは情報理論的な結果を裏付けており、組成に関して一致させた i.i.d. モデルでは捉えきれない、実在のプロテオームが持つ構造的冗長性を実証している。

意義
本論文は、これらの結果がプロテオームを制約された統計的言語として概念化することを支持すると主張している。主な意義は、特定のタンパク質構造や進化経路に関する事前のメカニズム的仮定を必要とせずに、異なる系統間で配列アンサンブルを比較するためのモデルに依存しないフィンガープリントを提供することにある。これらのシグネチャーは、より複雑で計算負荷の高いメカニズム的モデリングに従事する前に、プロテオームを比較し、統計的な異常を特定するための軽量な診断レイヤーとして機能する。