Bridging the gap between omics and structural data: A framework for interpreting protein-RNA interaction specificity

問題提起
タンパク質-RNA相互作用（PRI）は、遺伝子制御やウイルス感染などの細胞プロセスにおいて極めて重要であるが、その構造特性の解明はタンパク質単体と比較して著しく遅れている。Protein Data Bank (PDB) には25万件以上のエントリーが存在するが、タンパク質-RNA複合体を表すものは数千件に過ぎない。この高品質な実験構造の不足は、ディープラーニングを用いた構造予測ツールの学習と性能を制限しており、特にRNAおよびタンパク質-RNA界面における課題となっている。AlphaFold3 (AF3) を含む現在の手法は、タンパク質-タンパク質相互作用（成功率約70%）と比較して、タンパク質-RNA相互作用（成功率約40%）において成功率が低い傾向にある。これは、RNAの柔軟性や、厳密な配列依存性から非特異的な構造認識に至るまで、結合特異性の多様性に起因している。

方法論
著者らは、構造データとハイスループットなオミクスデータの間のギャップを埋め、PRIの特異性をより良く解釈し、予測ツールをベンチマークするためのフレームワークを開発した。

1. データセットの構築: 本研究では、PDBから由来し、かつ独立したRNA結合能データ（in vitro アッセイであるRNAcompeteおよびRNA Bind-n-Seq、ならびにin vivo CLIPデータ）を併せ持つヒトタンパク質-RNA界面のデータセット294件を編纂した。CLIPデータのみを持つタンパク質は除外した。
2. 一致度スコアリング・ワークフロー: 3D構造界面で観察されるRNA配列と、オミクスデータから導出された結合特性との間の合致度を定量化するために、新しいスコアリングシステム（$S$）を設計した。
   • 頻度行列: 結合特性は、整列された5-merに基づき、位置特異的なモノヌクレオチドおよびジヌクレオチドの頻度行列へと処理された。
   • スコアリング機構: スライディングウィンドウ法を用いて、構造的RNA配列を頻度行列に整列させた。スコア $S$（$S=0$ が完全な一致であり、負の値は一致度の低さを示す）は、スパースなデータを扱うための疑似カウントを組み込みつつ、特定のジヌクレオチドが各位置で観察される尤度に基づいて計算された。
   • モチーフコアの特定: ワークフローは、構造的界面内で最大の一致度スコアを与える「モチーフコア」（4つの連続するヌクレオチド）を特定した。
   • 構造および進化論的検証: 著者らは、以下の分析を通じて、特定されたモチーフコアの生物学的妥当性を検証した。
     • 原子ペア（AP）接触: タンパク質の5 Å以内における原子接触の密度。
     • 進化論的保存性（EC）: モチーフコアに接触するアミノ酸の、界面の他の部分と比較した保存性。
3. AlphaFold3のベンチマーク: 著者らは、このフィルタリングされたデータセットを使用して、特定の界面を予測する際のAF3の能力をテストした。4種類の異なるRNA入力条件を用いて、280組のユニークなタンパク質-RNAペアに対してAF3モデルを生成した。
   • PDB-RNA: 実験構造から得られた正確なRNA配列。
   • PolyU: 同一の長さを持つ非特異的なポリU配列。
   • RNAC/RBNS: in vitro 実験によるコンセンサス結合モチーフを埋め込み、その両端をランダムなヌクレオチドで挟んだ配列。
   • パフォーマンスは、バックボーンRMSD、ネイティブ接触の割合（$f_{nat}$）、およびCAPRI指標（High, Medium, Acceptable, Incorrect）を用いて評価された。

主な結果

• 一致度スコアリングの性能: 294件の複合体の大部分は、in vitro データ（RNAC/RBNS）に対してはゼロに近い一致度スコアを示したが、CLIPデータについては一致度が低かった。関連性の閾値（$T = \mu - \sigma = -2.25$）を設定し、高信頼性の界面として159件（RNAC）および169件（RBNS）に絞り込んだ。
• モチーフコアの検証: 特定されたモチーフコアは、構造的および進化論的に有意であった。90%以上のケースにおいて、モチーフコアは界面の他の領域よりも高い原子ペア接触密度を示した。同様に、モチーフコアに接触するアミノ酸は、非コアの界面領域に接触するものよりも進化的に保存されていた。
• AlphaFold3の特異性と記憶（Memorization）:
  • AF3は、RNA入力の種類に関わらず、タンパク質バックボーンに対して高い構造精度（中央値 RMSD ~1.79 Å）を達成した。
  • しかし、RNAバックボーンの精度は低かった（中央値 RMSD ~5.1 Å）。
  • 極めて重要なことに、正確な PDB-RNA 入力を用いて生成されたモデルは、PolyU、RNAC、またはRBNS入力を用いたモデル（High品質 3–6%）と比較して、有意に高い $f_{nat}$ および CAPRI "High" クオリティのスコア（21%）を達成した。
  • この格差は、AF3の精密な界面接触の予測能力が、学習時に見た正確なRNA配列に強く依存していることを示唆しており、真の配列レベルの汎化ではなく、記憶（memorization）の兆候を示している。
• ケーススタディ:
  • SNRPA: AF3は、すべての入力に対して主要な結合モード（1AUD）を強固に再現したが、PDB-RNA入力を用いた際に、代替の結合モード（6XH3）を再現できず、主要なモードに収束してしまった。
  • LIN28A: このタンパク質は、2つの異なる結合ドメイン（ZKDおよびCSD）を持つ。AF3は入力に関わらず一貫してCSDを介した相互作用を予測したが、ZKDを介した相互作用の再現には苦戦した。これは、複数の結合部位を持つタンパク質における困難さを浮き彫りにしている。

意義と主張
本論文は、構造データとオミクスデータを統合して生物学的に関連する相互作用モチーフ（「モチーフコア」）を特定するための定量的なフレームワークを提供し、深層学習ベースのタンパク質-RNA構造予測における現在の限界を明らかにすることを目的としている。

• リソース: 著者らは、データセット、一致度スコア、および構造的特徴をインタラクティブに探索できるウェブリソース（https://bioi2.i2bc.paris-saclay.fr/rnaprotci/）を公開した。
• 現在のAIの限界: 本研究は、AF3が高品質なバックボーン構造を生成する一方で、RNAの配列特異性に苦慮していることを実証している。訓練時の正確な配列に対する優れた性能は、モデルが真の配列認識のルールを学習しているのではなく、特定の複合体を記憶している可能性を示唆している。
• 今後の方向性: 著者らは、将来のタンパク質-RNA予測の改善には、オミクス由来のモチーフを制約条件として組み込むこと（例：Protenixのようなツールを使用）、あるいは結合特性の情報を含む、強化された多重配列アラインメント（MSA）を構築することが必要であると示唆している。彼らは、記憶を超えて真の特異性予測へと進むためには、より多様な構造およびオミクスデータが必要であることを強調している。

著者らは、自身のデータセットが主にAF3の学習データと重複していること、および現在のベンチマークが特定のデータ利用可能性を持つヒトタンパク質に限定されていることから、広範な汎化に関する主張には慎重な姿勢を保っている。