2022 Fiscal Year Annual Research Report
Dynamics of protein-protein interface: Development of analysis methods based on machine learning and MD simulation
| Project/Area Number |
18K05025
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
山下 雄史 東京大学, 先端科学技術研究センター, 特任准教授 (50615622)
|
|---|
| Project Period (FY) |
2018-04-01 – 2023-03-31
|
| Keywords | 分子動力学 / 機械学習 / シミュレーション |
|---|
| Outline of Annual Research Achievements |
機械学習技術の発展により、人工知能は画像認識やチェスや囲碁などの分野において人間の知能を凌駕するようになってきた。近年、AlphaFoldのような先進的なタンパク質構造予測技術においても、機械学習が中心的な役割を担っている。本研究では、こうした機械学習技術を分子科学に導入することによって、タンパク質間に見られる重要なダイナミクス現象を解き明かしていくことを目指している。
これまでの研究で、基本的な機械学習プログラムとデータベースのプロトタイプを作り、2次元ハミルトン系ダイナミクスの学習データベースを用いて、カオス性予測に取り組んだ。このテストにおいては9割程度の正答率まで上げることができるようになった。また、NaイオンとClイオンの会合・解離の予測をする機械学習にも取り組んだ。予測の正答率を75％程度まで向上することに成功している。しかし、機械学習モデルによるNaイオンとClイオンの会合・解離の予測精度をこれ以上改善することが困難になってきた。そこで、系自体に、学習困難な要因がある可能性を調べた。その結果、不正解であった初期条件のトラジェクトリーはカオス性が高いものが多いことが分かった。さらに、タンパク質界面環境への応用として、卵白リゾチーム（HEL）とその抗体(HyHEL-10)の複合体にある塩橋の形成・崩壊のダイナミクスについてデータベース化をおこなった。
今年度は、前年度に組み上げたHEL-HyHEL-10の複合体に存在する塩橋の形成・崩壊についてのデータベースに対して機械学習を実施した。残念ながら、正答率は60%程度にとどまったが、特徴量重要度解析により、塩橋形成に影響を与える因子を取り出すことに成功した。特に、因子の1つとして取り出された重鎖W98は、簡略モデルを用いた先行研究(Okajima et al., J. Phys. Chem B, 2021) においても塩橋の安定性に大きく関わっていることが示唆されている。現在、投稿論文の準備中である。
|
