GlyGen: a knowledgebase linking glycan data with protein and gene data to reveal novel biological connections

技術要約：GlyGen – グリカンデータとタンパク質および遺伝子データを連結するナレッジベース

問題提起
グリカンは、タンパク質の構造、機能、組織の発達、および免疫応答を制御する重要な調節因子であるが、糖鎖科学（グリコサイエンス）のデータは断片化されたままである。既存のリソースは異種混合的であり、一貫した表現形式を欠いていることが多く、グリカン構造をその生物学的コンテキスト（遺伝子、タンパク質、および特定の修飾部位）に紐付けることに失敗している。この断片化は、グリコミクスとゲノミクスおよびプロテオミクスの統合を妨げ、グリカンを介した生物学的関係の発見を制限している。GlyTouCanのアクセッション番号やSymbol Nomenclature for Glycans (SNFG) といった標準規格は存在するものの、文献やデータベースにおけるそれらの採用は一貫しておらず、信頼性の高いデータ統合への障壁となっている。

手法およびアーキテクチャ
GlyGenは、統一された糖鎖中心のデータモデルと包括的な統合パイプラインを通じて、これらの課題に対処する。

• データモデル: コアモデルは、グリカン、タンパク質、および糖鎖修飾部位のデータを調和させる。本モデルは、配列内の開始/終了位置によって定義されるタンパク質の部位レベルの情報を明示的に表現することで、糖鎖修飾のエビデンスをゲノム変異や他の翻訳後修飾（PTM）に対してアンカー（固定）する。モデルは、完全に定義された構造から単糖組成に至るまで、様々なレベルの詳細度を許容し、糖鎖修飾部位を持たないタンパク質もサポートする。
• データ統合戦略: GlyGenは四半期ごとのリリースサイクルを採用している。まず、各生物種に対して精査された参照プロテオーム（冗長性を最小限に抑えるためにカノニカルな配列にマッピングされたもの）を取り込み、その後に付随する糖鎖構造を統合する。新しいエントリは、冗長なエンティティを作成するのではなく、既存のレコードと比較して重複をマージするように評価される。
• ソースと標準化: データは、公開リポジトリ（例：UniProt、GlyTouCan、ChEBI、PubChem）、直接的なコラボレーション、および文献テキストマイニングから集約される。システムは、相互運用性を確保するために、権威ある識別子（タンパク質にはUniProt、グリカンにはGlyTouCan）を使用する。
• テキストマイニングとキュレーション: パイプラインは、GlycoSiteMinerなどのツールを用いて自然言語処理（NLP）および大規模言語モデル（LLM）を活用し、PubMedの抄録から糖鎖修飾イベントを抽出する。これらの抽出結果は、人間によるキュレーションを通じて検証される。
• 品質保証とプロベナンス（由来）: システムは厳格な品質管理を適用し、アミノ酸の不一致や無効な配列範囲などの不整合を検出し、それらをソースリソースに報告する。すべてのデータ処理ステップは、透明なプロベナンスと再現性を確保するためにBioCompute Objects (BCOs) を用いて文書化される。
• 技術インフラストラクチャ:
  • バックエンド: 処理されたデータセットは、MongoDBドキュメントストア内のJSONオブジェクトとして保存される。
  • セマンティックウェブ: データはまた、本体論（UniProt Core、GlycoRDF、GlycoConjugate）を用いたリソース記述フレームワーク（RDF）形式で表現され、Virtuosoトリプルストアに保存され、SPARQLを介してアクセス可能である。
  • インターフェース: インタラクティブなウェブポータル、生データセット用のデータサイト、RESTful API (JSON)、およびSPARQLエンドポイントを介してアクセスが提供される。AI搭載のクエリアシスタントは、自然言語を構造化されたAPIクエリへと翻訳する。

主要な貢献とツール
データ統合に加えて、GlyGenはエコシステムのギャップを埋めるためのいくつかの糖鎖情報学（glycoinformatics）コンポーネントを開発した：

• GlycoMotif: 糖鎖構造モチーフとそのアライメントのためのキュレートされたリソースであり、モチーフベースの解析のための標準化された識別子を提供する。
• GNOme: 包含関係（特性化の度合い）に基づいて階層的に糖鎖を整理するOBO Foundryオントロジー。これにより、定義された構造から組成へのアノテーションの伝播を可能にする。
• Glycan Dictionary: 文献内のフリーテキストの糖鎖用語を構造化データに紐付けるキュレートされたコレクション。
• GlycoTree Sandbox: 糖鎖を合成する生合成酵素を、それらが合成する構造と関連付けるツール。ユーザーは酵素の喪失または獲得を特定の糖鎖構造にマッピングできる。
• 解析ツール: GlyGen BLAST、バッチリトリーバル、アイソフォームマッパー、およびAIクエリアシスタントを含む。

結果とデータ範囲
現在のリリース（v2.10.1）は、ヒト、マウス、ラット、ウシ、およびウイルス系に焦点を当て、16の生物種にわたるデータを統合している。

• 統計: データベースは、58,841個のグリカン、243,702個のタンパク質、および183,573個の糖鎖修飾部位を捕捉している。
• ヒトのデータ: 20,663個のタンパク質（リソース内のヒトプロテオームの68%）を含み、そのうち14,142個が注釈付きの糖タンパク質であり、226,986個のキュレートされた糖鎖修飾部位を持つ。
• 相互参照: GlyGenは外部リソース（UniProt、PubChem、ChEBI）に対して140万件以上の相互参照を寄与しており、双方向のリンクを維持することで、ユーザーがGlyGenと確立されたデータベース間をナビゲートできるようにしている。
• 解析能力: 本論文は、体細胞変異および生殖細胞系列変異が糖鎖修飾部位に与える影響の特定など、プロテオームワイドな解析を実行する能力を実証している。解析の結果、体細胞変異はN結合型糖鎖修飾部位において有意に枯渇している（がんにおける負の選択を示唆）一方で、生殖細胞系列の変異にはそのような枯渇は見られないことが明らかになった。

意義と主張
本論文は、GlyGenを、糖鎖科学をより広範な生物医学データエコシステムと調和させるための中心的リソースとして位置付けている。その意義は以下の点にある：

1. 相互運用性: 標準的な識別子とオントロジー駆動のワークフローを使用することで、グリコミクス、ゲノミクス、およびプロテオミクスの間の溝を埋める。
2. 仮説生成: 変異データと糖鎖修飾部位の統合により、「糖鎖修飾の喪失（LOG）」および「糖鎖修飾の獲得（GOG）」イベントの系統的な特定が可能となり、疾患メカニズム（例：前立腺がんや先天性糖鎖異常症）の発見を支援する。
3. アクセシビリティ: 調和されたデータを複数のインターフェース（ウェブ、API、SPARQL）を通じて無料かつオープンに提供し、実験生物学者とデータサイエンティストの両方に対応する。
4. 将来の研究への基盤: このインフラストラクチャは、糖鎖構造のディープラーニングによる画像解釈や、専門的なデータベース（例：質量分析用）の生成といった、新たなアプリケーションをサポートする。

著者らは、GlyGenが孤立した糖鎖データから、糖鎖修飾に関するシステムレベルの理解への移行を促進し、研究者がデータの断片化によって以前は隠されていた複雑な生物学的関係を探求することを可能にすると結論付けている。今後の方向性には、LLMを用いたテキストマイニングの拡張、他の糖鎖修飾タイプ（例：O-GlcNAc）の組み込み、および他の生物医学的知識グラフとの統合の深化が含まれる。