Empirical substitution models of SARS-CoV-2 protein evolution for phylogenetic inference

技術要約：SARS-CoV-2タンパク質の進化における経験的置換モデル

問題提起
確率的な系統発生学的推論は、分子進化の置換モデルに依拠して正確な予測を生成する。タンパク質進化において経験的置換モデルは確立されているものの、利用可能なレパートリーはタンパク質ファミリーの多様性に対して依然として限定的である。極めて重要な点として、本研究以前にはSARS-CoV-2タンパク質に特化した経験的置換モデルは開発されていなかった。著者らは、進化パターンはタンパク質間で異なることを指摘しており、特定のウイルス性タンパク質に対して汎用モデルを使用することは、非現実的なモデリングを招き、系統樹、祖先配列の再構成、および進化の軌跡予測の精度を損なう可能性があるとしている。

手法
本研究では、最大尤度（ML）アプローチを用いて、SARS-CoV-2のための新しい経験的置換モデルを推定した。

• データキュレーション: 配列はGISAIDおよびNCBIから取得された。フィルタリングプロセスにより、曖昧性を持つ配列、リファレンス（NCBI Protein ID: YP_009724389.1）に対して10個以上の連続したアミノ酸欠失（indel）を持つ配列、およびリファレンスと75%未満のアミノ酸同一性を共有する配列を除外した。
• データセット構築:
  • メソッド・データセット: Spike、メインプロテアーゼ（Mpro/nsp5）、およびパパイン様プロテアーゼ（PLpro/nsp3）については、100,000個のランダムサンプリングされた配列からなるデータセットを構築した。全プロテオームについては、20,000個の配列を用いたデータセットを使用した。
  • テスト・データセット: 各タンパク質に対して10個の独立したテストデータセット（各1,000配列）を、およびプロテオームに対して100個の配列からなるデータセットを、メソッド・データセットで使用した配列を除外して生成した。
• モデル推定: IQ-TREE2に実装されているQMaker法を用い、各ターゲットに対して、一般的な時間可逆な20×20交換行列（$Q$）および平衡アミノ酸頻度（$\pi$）を推定した。推定に必要な系統樹は、ModelFinderによって選択された、最も適合度の高い既存モデルを用いて再構成した。
• 検証:
  • 系統学的尤度: 新しいモデル（SC2-Mpro, SC2-PLpro, SC2-Spike, SC2-Proteome）の適合性を、テストデータセットに対するベイズ情報量基準（BIC）および赤池情報量基準（AIC）を用いて既存の経験的モデルと比較した。
  • タンパク質折り畳み安定性: MproおよびPLproについて、新しいモデル、最も適合度の高い従来のモデル、および構造制約置換（SCS）モデルの下で、前方時間進化シミュレーションを実施した。得られたシミュレーション配列の折り畳み安定性（$\Delta G$）をDeltaGREMを用いて評価し、実在の配列と比較した。
  • 類似性解析: 正規化された速度行列に対して主成分分析（PCA）を行い、SARS-CoV-2モデルと他の経験的モデル（例：JTT, HIVw, FLU）との間の距離を評価した。

主な貢献
著者らは、以下の4つの新しい経験的置換モデルを提示している：

1. SC2-Mpro: メインプロテアーゼに特化したもの。
2. SC2-PLpro: パパイン様プロテアーゼに特化したもの。
3. SC2-Spike: Spikeタンパク質に特化したもの。
4. SC2-Proteome: SARS-CoV-2の全プロテオームに対する汎用モデル。

これらのモデルは、eModelDBデータベースを通じて公開されている。

結果

• 置換パターン: モデルは明確な進化パターンを明らかにした。プロテアーゼモデル（SC2-Mpr, SC2-PLpro）は、Spikeおよびプロテオームモデルと比較して、より制限的な置換率を示した。
  • 物理化学的傾向: サイズと疎水性を維持する置換（例：Ala-Val, Val-Ile）において高い置換率が観察された。また、モデルは特定の電荷保存的な置換（例：MproにおけるLys-Arg、SpikeにおけるArg-Lys）や、多様化イベント（例：Pro-His, Pro-Ser）も捉えていた。
  • 定常頻度: 特徴的なアミノ酸頻度が認められた。例えば、Mproにおけるプロリンの増加、PLproにおけるロイシン/イソロイシン、Spikeにおけるフェニルアラニン/バリン、およびプロテオームにおけるリシンなどが挙げられる。
• 系統学的適合度: SARS-CoV-2特異的モデルは、既存の経験的モデルを概して上回り、テストデータセット全体でより低いBICおよびAICスコアを示した。
  • 頻度の取り扱い: MproおよびPLproについては、推定された平衡頻度を用いたモデルの方が、観測されたテスト頻度を用いたモデルよりも優れた性能を示した。逆に、Spikeおよびプロテオームについては、テストデータからの観測アミノ酸頻度を組み込むことで、モデルの性能がさらに向上した。
  • PCA解析: SARS-CoV-2特異的モデルは、汎用モデル（例：JTT, VT）や系統特異的モデル（例：HIVw, FLU）から分離してクラスターを形成した。特に、アラニン-バリン（A-V）置換率は、標準的なモデルと比較してSARS-CoV-2モデルにおいて有意に高かった一方、トレオニン-セリン（T-S）の置換率は低かった。
• 折り畳み安定性: 前方時間シミュレーションにおいて、SC2-MproおよびSC2-PLproモデルの下で進化した配列は、従来の経験的モデルやSCSモデルによって生成された配列よりも、実在のウイルス性タンパク質に近い折り畳み安定性を示した。具体的には、SC2-PLproモデルは、過度に安定したタンパク質を生成する傾向があるSCSモデルよりも、より現実的な安定性プロファイルを生み出した。

意義および主張
著者らは、タンパク質特異的な置換モデルに基づく進化推論は、汎用モデルに基づくものよりも一般的、かつ生物学的に現実的であると結論付けている。本研究は、SARS-CoV-2のタンパク質が、既存のモデルでは捉えきれない独自の制約の下で進化していることを示している。

• 正確性: 新しいモデルはSARS-CoV-2のデータへの適合性を向上させており、これは、モデルがウイルスに作用する特定の選択圧をより良く捉えていることを示唆している。
• 生物学的リアリズム: 現実的なタンパク質構造と機能に関連する進化的な制約を、これらのモデルが暗黙的に捉えていることは、現実的な折り畳み安定性を持つタンパク質変異体を生成できる能力によって示されている。
• 推奨事項: 著者らは、系統発生学的推論および軌跡予測の信頼性を高めるために、SARS-CoV-2タンパク質の進化予測においてこれらの特異的モデルを使用することを推奨している。また、系統発生学的枠組みに対し、このようなタンパク質特異的な選択肢を含むモデルセットの実装を拡大することを求めている。