Benchmarking Deep Learning Predictions of Mutation-Induced Fold Switching

問題の定義
AlphaFold2やAlphaFold3のようなディープラーニングモデルはタンパク質構造予測に革命をもたらしたが、点変異がコンフォメーションのダイナミクスに及ぼす影響を予測する能力については依然として不明である。具体的には、これらのモデルが、メタモルフィック（変態的）タンパク質――二つの異なる安定した秩序あるフォールドを採用できるタンパク質――における変異誘発性のフォールドスイッチングを正確に予測できるか否かは分かっていない。これまでのベンチマークによれば、AlphaFoldは既知のフォールドスイッチングタンパク質の4分の1未満の割合で代替状態を捉えており、点変異による構造的影響のモデリングに苦慮している。本研究は、現在のディープラーニングおよび物理ベースの手法が、特定の残基置換がいかにして折り畳み状態とアンフォールド（非折り畳み）状態の間の平衡を変化させるかを予測する課題に対して、どのように機能するかという理解のギャップに対処するものである。

手法
著者らは、GA/GBモデルのフォールドスイッチング系を用いた、NMRによって特性評価された体系的なベンチマークデータセットを構築した。彼らは、3つの主要な位置（GA98におけるL45、GB98におけるT25、およびGB98-T25IにおけるL20）に対してスキャニング変異導入を行い、各部位について19種類すべての possible なアミノ酸置換（計60バリアント）を生成した。

• 実験的特性評価: すべての60種類の野生型およびバリアントタンパク質のフォールド状態の集団（3α、4β+α、およびアンフォールド）を、2D 1H-15N HSQC NMR分光法を用いて測定した。
• 計算機的評価: 著者らは、実験データに対して一連のディープラーニングおよび物理ベースのアルゴリズムを評価した。ディープラーニング・スイートには、AlphaFold2、AlphaFold3、AF-Cluster、AFSample2、CF-random、ESMFold2、ESM3、およびBoltz-1xが含まれる。また、逆折り畳み法（ProteinMPNN、ESM-IF1、Frame2Seq）および物理ベースのRosetta ΔΔGプロトコルも評価対象とした。
• 解析指標: モデル出力（変異体ごとに1,000モデル）を、参照構造に対するTM-alignによって分類した。性能は、RV係数（予測された状態の割合と実験的な状態の割合の多変量相関）およびBrierスコア（状態分類誤差）を用いて定量化した。さらに、予測値は独立したMegaScale熱安定性（ΔΔG）測定値と相関させた。
• 拡張システム: これらの手法は、Sa1およびKaiBのメタモルフィック系への変異についてもテストされ、汎用性が評価された。

主な貢献

1. 新しいベンチマークデータセット: 本研究は、GA/GB系における3つの重要な部位における60の点変異体の、NMR由来の定量的ベンチマークを提供し、それらが3α、4β+α、およびアンフォールド状態の集団に及ぼす具体的な影響を詳述している。
2. 系統的なアルゴリズム評価: 本論文は、変異誘発性のフォールドスイッチングに特化した、最先端のディープラーニング構造予測器、逆折り畳みツール、および物理ベースのスコアリング関数の比較評価を提供している。
3. リサイクリングステップの解析: 著者らは、AlphaFold2のリサイクリングステップがフォールド予測に与える影響を調査し、3αフォールドへのバイアスはリサイクリングが0ステップの時に最も強く、リサイクリングが増えるにつれて減少することを明らかにした。
4. 熱力学的相関: モデル出力の分布と実験的な熱安定性データ（ΔΔG）を相関させ、モデルが変異によって引き起こされる不安定化の大きさを捉えているかどうかを判断した。

結果

• 部位依存的な性能: 予測性能は残基の位置によって大きく異なった。残基45（GA98）については、AlphaFold2とAFSample2が実験データと最も高い相関を示した（RV係数はそれぞれ0.48および0.49）。対照的に、残基20および25に関する性能は総じて低く、ほとんどの手法でRV係数が0.2を下回った。
• バイアスと感度: すべての手法において3αフォールドへのバイアスが見られた。しかし、残基45については、AlphaFold2は3αフォールドを安定化させる変異、4β+αフォールドを安定化させる変異、またはアンフォールディングを導く変異を区別するという驚くべき能力を示した。具体的には、実験的に4β+α状態へとスイッチする45Y変異体において、4β+αモデルの割合が増加した。
• リサイクリングのダイナミクス: リサイクリングなしでは、AlphaFold2は真の状態に関わらず、92.5%のモデルを3αと予測した。リサイクリングステップが増加する（最大20ステップ）につれて、3αモデルの割合は減少し、特にアンフォールド変異体に対するモデルの識別能力が向上した。
• 逆折り畳みおよび物理ベースの手法: 逆折り畳み法およびRosettaは、限定的な識別能しか示さなかった。Rosettaは残基45に対してある程度の不安定化効果を予測できたが、残基20および25に対する破壊的な影響を一貫して特定することはできなかった。逆折り畳みの対数確率（log-probability）は、特定の残基部位の組み合わせにおいてΔΔGと一定の相関を示したが、すべての部位にわたる一般的な予測力には欠けていた。
• 熱安定性との相関: AlphaFold2のアンフォールドモデルの割合は、残基45の変異体における実験的なΔΔGと強く相関しており（r = 0.89）、このモデルがこの部位における不安定化の大きさを捉えていることを示唆している。この相関は、残基20および25では見られなかった。
• 汎用性: Sa1およびKaiB系に適用した場合、ほとんどの手法（AFSample2を除く）は、変異誘発性の状態平衡の変化を捉えることができず、支配的な状態またはアンフォールドモデルのみを予測した。

意義
本論文は、現在のディープラーニングモデルが、部位依存的な感度を持って部分的にフォールドスイッチングに反応していると結論付けている。AlphaFold2は、点変異が状態の好みに及ぼす影響を捉える（特にGA/GB系の残基45において）限定的ではあるが有意な能力を示しているが、他の部位やシステムにおいては概して苦戦している。著者らは、この感度は、モデルが学習したエネルギー関数や訓練データのバイアス（例：天然のGBドメインにおける位置45でのチロシンの保存）に起因する可能性があり、メタモルフィックタンパク質の複雑なエネルギーランドスケープに対する根本的な理解によるものではないと考えている。

本研究は、これらのツールが複雑なフォールドスイッチング挙動を設計または予測するためにまだ完全には信頼できる段階ではないものの、さらなる調査に値する物理的な洞察を一定程度備えていることを強調している。著者らは、今後の改善には、熱力学データの明示的な組み込み、NMR構造（訓練セットにおいて過小評価されている）の活用、あるいはディープラーニングと高度なサンプリング分子動力学を組み合わせたハイブリッドなアプローチが必要になる可能性があると示唆している。提示されたGA/GB変異体データセットは、そのような将来のアプローチを開発および評価するための、実験に基づいた重要なテストセットとして機能する。