研究開始時の研究の概要 |
機能解明においてタンパク質の構造変化の抽出は重要である. 分子動力学計算 (MD) はフェムト秒スケールの時間分解能で構造変化を追跡できるが, 機能発現の長時間スケールに到達できない. また, 機能に関係する構造変化はマイクロ秒以上の長時間スケールの確率過程で観測される「レアイベント」であるため, 長時間MDが実現しても抽出できる保証はない. 本研究では, 機械学習 (異常検知) を利用し,「構造変化し易い構造」と「異常度が高い構造」を対応づけ, 異常度が高い (遷移確率が高い) 構造を特定・選択し, 短時間MDを繰り返すことで構造変化を促進し, レアイベントを抽出可能な計算手法を開発する.
|
研究実績の概要 |
本研究は, 機械学習(異常検知)を用いてタンパク質の構造変化を効率的に探索する計算手法の開発を目標とする. 手法開発にあたり, 開発を進めてきた長時間ダイナミクス抽出法(PaCS-MD: Paralllel Cascade Selection Molecular Dynamics)を異常検知型PaCS-MDへ拡張した. 初年度は, 異常検知型PaCS-MDをタンパク質単量体の比較的単純な構造変化(Open-Closed構造遷移など)に適用し, 通常のMDと比較して効率的に構造探索できることを示した. 次年度は, 本手法の適用範囲をさらに拡大し, 複数のタンパク質から成る多量体へ適用した. 具体的には, 多量体の解離過程を異常検知型PaCS-MDを適用することで抽出し, 解離過程の各段階に存在する中間状態(構造)の同定に成功した. しかしながら, 極めて異常度が高い分子構造を繰り返して構造探索してしまうと, タンパク質の変性度合いが急激に高まり, 構造妥当性が低い分子構造を生成してしまう可能性があることが判明した. この問題を回避するために, 異常度が高い分子構造に対して構造妥当性評価を同時に実施し,安全な構造探索を実現することに成功した. 拡張としては, 元々の異常検知型PaCS-MDでは分子内の残基間コンタクトに基づく距離行列を機械学習し, 異常度が高い分子構造を抽出して構造探索を繰り返していた. これに対して多量体では, 分子間の距離行列を定義して異常検知しながら構造探索を進めることで, 通常のMDでは抽出できない多量体の解離過程の抽出に成功した. 現在, 異常検知型PaCS-MDから同定された中間体構造の妥当性を実験研究者との共同研究により評価している段階にある.
|
今後の研究の推進方策 |
開発が概ね完了した異常検知型PaCS-MDを適用し, 多種多様なタンパク質多量体の解離過程を抽出し, 多量体を形成するために経由しなけれなならない中間構造および特徴的な分子間相互作用の分類を目指す. さらに, 実験研究者に中間体構造と相互作用の情報をフィードバックし, 実験と理論の両面からタンパク質多量体の形成・解離過程の理解を深める.
|