技術要約: MPFIL – 変異によるタンパク質間結合親和性の変化を予測するためのマルチレベル・タンパク質特徴量統合

1. 問題提起

変異によって誘発されるタンパク質間結合親和性の変化（$\Delta\Delta G$）を予測することは、疾患メカニズムの理解や治療薬の開発において極めて重要な課題である。しかし、この予測は困難を極める。なぜなら、変異は局所的な残基環境と、タンパク質複合体のグローバルな構造組織の両方に影響を与えるからである。

既存の計算手法には、いくつかの限界が存在する：

• 手作業による特徴量への依存: 多くの手法は、複雑な物理化学的、エネルギー的、あるいは進化的特徴量に依存しており、これらはドメイン固有の知識を必要とし、計算コストを増大させる。
• 限定的な構造差分モデリング: 構造を利用するディープラーニング手法はあるものの、野生型（WT）と変異型（MT）の複合体間で生じる変異誘発性の「差分的」な構造変化を明示的にモデル化できていないことが多い。
• 不完全な配列コンテキスト: 現在の配列ベースの手法では、変異部位と隣接する残基との本質的な関係や、長距離の依存関係が十分に探索されていない。

著者らは、複雑な手作業による生物学的記述子に頼ることなく、構造情報と配列情報を統合する汎用的なフレームワークを構築することで、これらの問題に対処するMPFIL（Multi-Level Protein Feature Integration）を提案している。

2. メソドロジー：MPFIL フレームワーク

MPFILは、タンパク質複合体を**配列（Sequence）と無向グラフ（Undirected Graph）**という2つの並行した表現として処理するディープラーニングフレームワークである。そのアーキテクチャは、主に4つのコンポーネントで構成されている。

A. タンパク質複合体の表現

• 配列特徴量: タンパク質言語モデル（PLM）が、タンパク質鎖を高次元の埋め込みベクトルへとエンコードする。[CLS] トークンは、グローバルな配列特徴を捉えるために使用される。
• グラフ特徴量: タンパク質複合体は、変異部位を中心ノードとするグラフとして表現される。エッジは、中心ノードと半径10 Å以内の周囲の残基を接続する。
  • WTグラフはPDBファイルから構築される。
  • MTグラフは、FoldXを用いて生成された構造を用いて構築される。
  • ノード特徴量は配列の埋め込みから導出され、隣接行列はユークリッド距離に基づいている。

B. グラフレベルの構造特徴量エンコーディング

このモジュールは、変異によって誘発される構造変化と差分情報を捉える。

1. GNN エンコーディング: 両方のWTおよびMTグラフは、残差接続を備えたグラフニューラルネットワーク（GNN）を通じて処理され、グラフレベルの表現（$G_{wild}$ および $G_{mut}$）を生成する。
2. 差分特徴量の抽出:
   • 暗黙的（Implicit）: マルチヘッド・セルフアテンション・ブロックが、WTおよびMTグラフの連結されたプーリング表現を処理する。
   • 明示的（Explicit）: WTとMTのグラフ表現の要素ごとの差分が計算され、プーリングされた後、MLP（多層パーセプトロン）に渡される。
   • これらの特徴量は非線形層を介して結合され、最終的なグラフレベルの構造表現（$p_{graph}$）を生成する。

C. マルチパースペクティブ配列特徴量エンコーディング

このコンポーネントは、3つの異なる観点から配列情報を活用する。

1. グローバルレベル差分特徴量:
   • 複合体内のタンパク質鎖のグローバルな表現を連結する。
   • タンパク質レベルのマルチヘッド・セルフアテンション・ブロックを用いて、鎖間の相互作用をモデル化する。
   • 複合体ペアのセルフアテンション・ブロックにより、WTとMTの表現を統合し、グローバルな生物学的調節と差分情報を捉える。
2. フルシーケンス・コンテキストレベル特徴量:
   • トランスフォーマー・エンコーダが全長のアミノ酸配列を処理し、長距離の相互作用を捉える。
   • 重み付き和プーリング機構を用いて、コンテキストレベルの表現（$\tilde{p}$）を生成する。
   • ペアワイズの配列特徴抽出ブロック（1D畳み込みを含む）が、これらの特徴を圧縮・精緻化し、コンテキストレベルの表現（$p_{context}$）へと変換する。
3. 残基レベル配列特徴量:
   • 様々なカーネルサイズを持つ複数のCNNを採用し、局所的なパターン（短いモチーフ、中距離の依存関係、保存された断片）を検出する。
   • 畳み込み、活性化、最大プーリングを交互に繰り返す層を用いて局所的特徴を抽出し、その後、ペアワイズ抽出ブロックによって処理され、残基レベルの表現（$p_{residue}$）が得られる。

D. 予測器と最適化

最終的な表現は、以下の4つの特徴ベクトルを連結することによって形成される：
$$P = [p_{graph}; p_{global}; p_{context}; p_{residue}]$$
MLP予測器が、この連結されたベクトルを予測された $\Delta\Delta G$ へとマッピングする。モデルは、平均二乗誤差（MSE）損失関数を用いて学習される。

3. 主な貢献

著者らは、自らの貢献を以下のようにまとめている。

1. 新規フレームワーク: 構造と配列の特徴を体系的に組み合わせ、複雑な手作業による生物学的特徴量への依存を回避する、マルチレベル統合フレームワークであるMPFILを提案した。
2. グラフレベルのエンコーディング: 変異誘発性の構造変化およびWTとMTの複合体間の差分情報を捉えるために特化した、GNNベースのモジュールを設計した。
3. マルチパースペクティブ配列エンコーディング: グローバルな差分特徴、フルシーケンスのコンテキスト（長距離依存性）、および残基レベルの局所的パターンを活用するモジュールを導入した。
4. 実証的検証: 3つのベンチマークデータセットにおいて、最先端の手法と比較して優れた性能を実証した。

4. 実験結果

モデルは、S1131（SKEMPIのサブセット）、S2398（SKEMPI-2.0のサブセット）、およびMPAD（膜タンパク質データセット）の3つのデータセットで評価された。

パフォーマンス指標

MPFILは、すべてのデータセットにおいて、ピアソン相関係数（PCC）、平方根平均二乗誤差（RMSE）、および平均絶対誤差（MAE）のすべてで最高の結果を達成した：

• S1131: PCC = 0.917, RMSE = 0.983, MAE = 0.718.
• S2398: PCC = 0.882, RMSE = 0.891, MAE = 0.613.
• MPAD: PCC = 0.713, RMSE = 0.729, MAE = 0.545.

比較分析

• MPFILは、構造ベースの手法（例：GeoPPI, SFM-Net）および配列ベースの手法（例：SAAMBE-SEQ, PIPR+S2F）の両方を上回った。
• MPADデータセット（構造データが限られている膜タンパク質）において、MPFILはベースライン手法に対して顕著な改善を示し、構造情報が乏しい状況でもその堅牢性を証明した。

アブレーション研究（構成要素除去実験）

個々のコンポーネントを取り除いた結果、各モジュールの必要性が確認された：

• 構造特徴量の除去（w/o structure）: 特にMPADデータセットにおいて、最も大幅な性能低下を引き起こした。具体的には、フル版のMPFILは、構造特徴量を持たないバリアントと比較して、MPADデータセットにおけるPCCで**16.5%**上回っており、構造的差分情報を捉えることの重要性が強調された。
• 配列特徴量の除去: グローバル、コンテキスト、または残基レベルのいずれかの特徴量を欠いたバリアントも性能低下を示し、各観点が予測精度に独自の寄与をしていることが確認された。

分布分析

散布図および分布比較により、MPFILの予測値が実験値と密接に一致していることが示された。データポイントは、すべてのデータセットにおいて回帰直線付近に集中していた。

5. 意義と主張

本論文は、MPFILがマルチレベルの特徴量を統合することで、タンパク質複合体の特性と挙動をより包括的かつ体系的に理解できることを主張している。その意義は以下の通りである：

• 汎用性: 複雑な手作業による特徴量エンジニアリングを行うことなく、可溶性タンパク質と膜タンパク質の両方に対して効果的に $\Delta\Delta G$ を予測できる能力。
• メカニズムの洞察: 変異部位と隣接する残基との本質的な関係、および長距離の依存関係をモデル化することに成功しており、これらは変異の影響を理解する上で極めて重要である。
• 将来の応用: 変異の影響をモデル化する本手法の能力は、疾患に関連する変異の解析にも拡張可能であり、がんや神経変性疾患における精密医療戦略の開発を支援する可能性がある。

著者らは、手法が有効である一方で、タンパク質データの急速な増加と専門知識に基づくデータの不足が依然として課題であることを認めつつ、そのような汎用的なフレームワークがそれらの課題に対処することを目指していると、控えめなトーンで述べている。