Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

タンパク質は生命の働き手であり、細胞内のあらゆる機能を果たすために複雑な形へと折り畳まれる、微小な分子機械です。タンパク質の仕組みを理解するために、科学者はしばしばその形状を極めて詳細に研究する必要がありますが、そのプロセスには通常、タンパク質を単離して結晶化させることが求められます。しかし、多くのタンパク質は長すぎたり、あるいは動きすぎていたりするため、そのままの一片として研究することができません。これらはしばしば、ドメインと呼ばれるいくつかの明確で安定したユニットから構成されており、それらはヒンジやスペーサーのように機能する、柔軟で構造を持たない領域によって接続されています。単一のドメインの鮮明な画像を得るためには、研究者は適切な箇所でタンパク質を切り、安定した部分を損なうことなく、不安定な部分を取り除かなければなりません。どこを切るべきかの指示はアミノ酸の配列の中に隠されているため、これらの切断点を見つけることは困難であり、3D構造が既知でない場合、それはまるで、紙を広げた姿を見たことが一度もない状態で、折り畳まれた紙飛行機の継ぎ目を探そうとするようなものです。

数十年にわたり、科学者はタンパク質の配列を既知のよく研究されたタンパク質のライブラリと比較するデータベースに頼って、ドメインがどこにあるかを推測してきました。この手法は、タンパク質がライブラリにある既知のものと類似している場合にはうまく機能しますが、既知の親戚関係がない新しい、あるいは珍しいタンパク質に対しては完全に失敗します。ウィルフリッド・ローリエ大学の研究チームは、この限界を回避する「Seq2DomML」と呼ばれる新しいツールを開発しました。この新システムは、既知のタンパク質のライブラリとの一致を探す代わりに、安定したドメインと柔軟なリンカーの境界を知らせる、配列内の微妙な化学的・物理的なパターンを認識することを学習します。研究者たちは、構造がすでに判明している数千の細菌タンパク質を用いてコンピュータモデルを訓練することで、未知のタンパク質であっても、アミノ酸配列のみに基づいてタンパク質をどこで切断すべきかを予測できるシステムを作り上げました。

研究者たちはまず、原子の精密な3D配置を明らかにする手法であるX線結晶構造解析法を用いて解明された、細菌タンパク質の膨大なデータセットを集めることから始めました。彼らは、互いに似すぎているものや、異なる挙動を示す特定のグループに属するものを除外するためにこのリストをフィルタリングし、約7,600個のユニークなタンパク質鎖を残しました。それぞれの鎖に対して、信頼できる構造データベースを使用して、すべてのアミノ酸が安定したドメインの一部であるか、あるいはリンカーやテイルのような柔軟な領域の一部であるかをマークしました。これらの境界をコンピュータが学習しやすくするために、柔軟な領域を単一の点としてではなく、短い領域として扱うことで、マーキングをわずかに拡張しました。

次に、チームはアミノ酸の生の配列を、各位置に対する豊かな数値的記述へと翻訳しました。そこには、各アミノ酸の化学的性質、鎖内での位置、および隣接するものとどのように相互作用するかといった情報が含まれています。これにより、1つのアミノ酸に対して2,400近い異なる特徴が得られました。この複雑さを管理するために、研究者は2段階のプロセスを用いて最も有用な特徴を選択しました。まず、冗長または無関係な特徴を除去しました。次に、自然選択を模倣した手法である進化アルゴリズムを用いて、コンピュータが最も正確な予測を行える特定の特性の組み合わせを見つけ出すために、数千通りの特徴の組み合わせをテストしました。

彼らのシステムの核となるのは、双方向長短期記憶（Bi-LSTM）モデルとして知られる一種の人工知能です。このモデルは、配列を処理するように設計されており、特定の成分のアミノ酸のアイデンティティが、単にその直近の隣人だけでなく、チェーン全体のより広い文脈に依存していることを理解することを可能にします。モデルは、各アミノ酸が安定したドメインに属するか、あるいは柔軟な領域に属するかを予測するように訓練されました。柔軟な領域は安定した領域よりもはるかに少ないという事実に対処するため、研究者たちは、これらの見つけにくい境界により注意を払うように訓練プロセスを調整しました。広範なテストとチューニングを経て、柔軟な領域をすべて見つける必要性と、安定した部分を誤って柔軟なものとラベル付けしないことのバランスをとる設定に落ち着きました。

チームが、一度も見たことがないタンパク質のセットに対してこの新しいツールをテストしたところ、結果は有望でした。モデルは高い精度でドメインの境界を特定することに成功し、配列を既知のファミリーと比較することに依存する既存のツールを上回りました。古いツールはすべての可能な柔軟な領域を見つけることには長けていましたが、安定して折り畳まれた部分を柔軟なものとしてラベル付けしてしまうミスを犯すことがあり、これはもし科学者がそこでタンパク質を切ろうとした場合に、実験結果を台無しにする原因となります。対照的に、Seq2DomMLはより選択的であり、安定したドメインと柔軟なリンカーをより高い精度で正しく特定しました。これは、科学者がこのツールを使用してどこで切るかを決定する際に、機能的なユニットを誤って破壊する可能性が低いことを意味します。

研究者たちは、予測が実際の3Dタンパク質構造上にマッピングされたときにどのように見えるかを可視化しました。既存のツールが既知の親戚関係がないためにドメインを認識できなかったケースにおいて、Seq2DomMLは安定した折り畳まれた領域を正しく特定しました。ある例では、既存のツールはタンパク質の大部分を構造を持たない無用なものと見なしていましたが、新しいモデルはそれを明確で安定したドメインであると正しく特定しました。このことは、このツールが、他の手法ではランダムまたは構造を持たないものとして退けられる配列の中に、秩序を見出すことができることを示唆しています。モデルは常にドメインの数を完璧に当てるわけではありませんでしたが、現在の標準的な手法よりも、どこで切断すべきかについて、よりバランスの取れた信頼できるガイドを提供しました。

本研究は、この配列ベースのアプローチが、特に理解が進んでいない、あるいは既知の親類が存在しないタンパク質にとって、実験を設計するための価値ある新しい方法を提供すると結論付けています。安定したドメインがどこで終わり、柔軟な領域がどこから始まるかについて、より正確なマップを提供することで、このツールは、適切なタンパク質断片を見つけるために必要な失敗実験の数を減らし、科学者が時間と資源を節約するのを助けることができます。研究者たちは、このモデルが大きな前進である一方で、今後の課題は境界を検出する能力を洗練させること、および細菌以外の生物のタンパク質に対しても同様に機能するかどうかをテストすることであると述べています。最終的な目標は、タンパク質構造を解明するプロセスをより効率的にし、設計図が欠落している場合でも、生命の仕組みを理解できるようにすることです。