2016 Fiscal Year Research-status Report
GPCRとGタンパク質の選択的共役メカニズムの理解とモデル化
| Project/Area Number |
16K00403
|
|---|
| Research Institution | Aoyama Gakuin University |
|---|
Principal Investigator |
諏訪 牧子 青山学院大学, 理工学部, 教授 (30242241)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
池田 修己 青山学院大学, 理工学部, 助教 (20415772)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | Gタンパク質共役型受容体 / Gタンパク質 / 結合選択性予測 / シグナル伝達パスウェイ / 分子動力学シミュレーション |
|---|
| Outline of Annual Research Achievements |
Gタンパク共役型受容体（GPCR）は、細胞内シグナル伝達の代表的な起点である。細胞外からリガンド分子と結合し、構造変化を起すことで細胞内側のGタンパク質を選択的に活性化させ、その後の伝達経路につなげる。本研究はこれら一連のメカニズムを解明することを第一の目的とし、このメカニズムを再現するシグナル伝達経路予測システムの構築を最終目的とする。本研究の結果は、以下に繋がる可能性がある。例えば生命現象の予測、制御、副作用の少ない薬剤のデザイン,GPCRが関与する疾病のメカニズム解明。すなわちGPCRのシグナル伝達のメカニズムについて、網羅的かつ統合的に理解する道筋ができ、細胞内での生命現象を予測し、創薬支援となる基盤が確立できると考える。
本研究は、リガンド-GPCR-Gタンパク質の関係を理解、モデル化して高精度の予測へつなげる。そのため、以下の3つの課題に取り組んでいる。
課題1：GPCRとGタンパク質の選択的共役に寄与する配列上の特徴領域を抽出し学習セットを作成する。そのために大量の文献や公共DBの調査結果と配列解析を組合わせる。これは平成28年度内に完了した。
課題2：GPCRとGタンパク質の選択的共役に寄与する立体構造上の特徴領域を抽出する。GPCR単独の立体構造の解析やGPCR-Gタンパク質結合状態の立体構造におけるGPCRとGタンパク質の相互作用の解析を行う。複合体構造ではGPCRまたはGタンパク質を変異させた構造を比較し、相互作用変化が大きい部位を同定する。これは平成28年に取り組み始め、現在進行中である。
課題3：課題1、課題2で得られた特徴領域のデータをパラメータにしてGPCR-Gタンパク質の共役現象をモデル化し、これを基に現実のGPCR-Gタンパク質共役状態を再現するような高精度な予測プログラムを開発する。平成30年度に完了の予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
【課題１ リガンド、GPCR、Gタンパク質の基礎データの収集】
１）結合リガンド分子―GPCR―共役Gタンパク質種の組合せが明らかなデータを、Human-GPDBと文献の調査から収集した。GPCRとGタンパク質の配列はSEVENS dbやUniProtから得、立体構造とアミノ酸残基サイトを対応づけた。GPCRとGタンパク質が接触する領域と膜貫通へリックス間空間の保存度の高いアミノ酸に電荷、疎水性指標、等電点などの物理化学的特徴量を割り当て、これらを要素にしてGPCRとGタンパク質をベクト表現した。２）リガンドについては、IUPHAR DBから得て、分子量、単位構造の存在数、疎水性値、電荷などの特徴量を要素にしてベクトル表現した。３）GPCR－Gタンパク質の結合様式については、16種のGαのどれかが単独に共役する場合、異なる系のタンパク質が多重に共役する場合、GPCR同士の複合体形成時にGα種が変化する共役の場合、の各々に対応してデータを整理した。リガンドーGPCR―Gタンパク質との組合せ状態を表現するために、１）と２）で作成したベクトルを結合し複合体ベクトルを作成した。
【課題2 Gタンパク質の選択的共役に寄与する構造上の特徴領域抽出】
受容体－Gタンパク質複合体の構造解析：Gsとβ2アドレナリン受容体複合体構造に対し受容体とGタンパク質の接触領域での相互作用エネルギーを分子動力学計算で算出した。またGPCRとＧタンパク質間でアミノ酸間の相互作用プロファイルを作成した。また同じ系で、天然のGαサブユニットを比較モデリングで他の16種のGαに変えた場合の相互作用プロファイルを作成した。以上の作業により、各Gαで、選択的共役に寄与すると考えられる領域が明らかになった。
以上の課題1、２の結果とも当初の研究計画の目標通りに進んでいるため、（２）と評価した。
|
| Strategy for Future Research Activity |
GPCR とG タンパク質の選択的共役に寄与する立体構造上の特徴領域を抽出する。そのため、GPCR-G タンパク質結合状態の立体構造におけるGPCR とG タンパク質の相互作用の解析を行う。平成29年度は、GPCR(β２アドレナリン受容体)とGタンパク質の複合体構造においてGPCR側を別のサブタイプ。（α1B, α１D タイプ：Gq/11に結合、α２A, α２B, α２Cタイプ：Gi/oに結合、β１タイプ：Gsに結合）に変異させた構造を比較し、相互作用の変化が大きい部位を同定する。得られた特徴領域のデータをパラメータにしGPCR-G タンパク質の共役現象をモデル化し、これを基に現実のGPCR-G タンパク質共役状態を再現できるような高精度な予測プログラムを開発する。そのため
１）;最適記述子セットの選出：平成28年度に作成した複合体ベクトルの要素（特徴量）に、上記で得た相互作用プロファイルや水素結合ネットワークの形などの特徴量を加え、複合体ベクトルを更新する。これをGαの共役タイプ（単独のGαが共役、複数種のGα種が共役およびGPCR同士の複合体形成時にGα種が変化する共役する場合の共役Gα種）に分類、整理する。これら学習セットの分類を再現する最適な特徴量を上位から列挙する。２）学習段階：１）の上位特徴量をベースにして、機械学習法（サポートベクターマシン（SVM））を用いて、複合体ベクトル中の最適な要素（特徴量）を絞り込む。ここでは、機械学習法を用いて学習セットの分類精度を最適化し、その時のパラメータを決定する。３）予測プログラム作成：学習段階で得た最適な特徴量セットを用いて、共役Gタンパク質が不明の複合体状態（ベクトル）を分類予測する。リガンドの特徴とGPCR配列を入力するとGタンパク質共役タイプを出力できるようにする。
|
| Causes of Carryover |
平成28年度に、購入予定のソフトウェアライセンスについて、予算化時期の問題で契約手続きに遅れが生じ、当初年間ライセンスにする予定が10か月分になり、その分の予算が減ったため。
|
| Expenditure Plan for Carryover Budget |
平成29年度予算内で、協力研究員費用や、論文校正等に追加して使用する予定である。
|
Research Products
(3 results)
