| 研究課題/領域番号 |
19J00950
|
|---|
| 研究種目 |
特別研究員奨励費
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 国内 |
|---|
| 審査区分 |
小区分62010:生命、健康および医療情報学関連
|
|---|
| 研究機関 | 東北大学 |
|---|
研究代表者 |
中村 司 東北大学, 情報科学研究科, 特別研究員(PD)
|
|---|
| 研究期間 (年度) |
2019-04-25 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2019年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | 蛋白質 / 蛋白質間相互作用 / 蛋白質相互作用部位 / 蛋白質立体構造予測 |
|---|
| 研究開始時の研究の概要 |
実験的な手法によって明らかになった蛋白質の複合体構造の数は，近年増加傾向にあるものの，蛋白質間の相互作用があると考えられている蛋白質セット（立体構造未知な推定上の複合体）の数と比較すると，ごくわずかなのが現状である．
本研究では既知の複合体構造から，独自の手法で複合体の形成面の特徴量を構成し，これを分類することで，複合体形成面への理解を深める．
また，得られた知見を活用した，より高度な蛋白質複合体の立体構造予測手法の開発を行い，立体構造未知な複合体の構造予測に応用する．
|
| 研究実績の概要 |
今年度は，昨年度行ったSE(3)-Transformerモデルの蛋白質複合体形成部位データへの適用法についての検討を踏まえ，これを大規模データへと実際に適用するとともに，E(n)-Equivariant Graph Neural Networksモデルを用いる形へと手法を拡張した．また，予測立体構造に対する特徴量の生成を行った．
SE(3)-TransformerやE(n)-Equivariant Graph Neural Networksなどは，3次元点群から構築されるグラフのように，各ノードが座標情報を持つ連結グラフを入力として想定している深層学習モデルの一つである．これらのモデルでは，入力の3次元回転並進変換に対して同変性が保証されており，安定した特徴量計算が可能となっている．
データセットとしては，Protein Data BankにBiological Unitとして登録されている蛋白質複合体構造を用い，複合体形成面の残基ペアの各周囲を切り出した部分構造ペアを正例，複合体形成面ではない構造表面残基の各周囲を切り出した部分構造ペアを負例としたデータを用い，学習・評価を行った．構造データは原子種及び座標値の3次元点群であるが，ここに原子間の化学結合に基づきエッジを張ることで座標情報を含むグラフ構造とした．
また，昨年度取り組んだ蛋白質の立体構造予測において用いた手法とその結果についての個別の具体例についてもまとめた．
|
| 現在までの達成度 (段落) |
令和3年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
令和3年度が最終年度であるため、記入しない。
|
