畳み込みニューラルネットワークとタンパク質の構造的および動的特徴によるアロステリック予測

科学分野:

• 生化学
• 計算生物学
• 機械学習

背景:

• アロステリーは、遠位部位の変調を通じてタンパク質機能を調節し、細胞プロセスに不可欠です。
• アロステリック状態を予測することは、特定のアロステリック部位のターゲティングを可能にすることにより、機能アノテーションと創薬に役立ちます。

研究 の 目的:

• タンパク質アロステリック機能状態を予測するための機械学習アプローチを開発すること。
• この予測のモデルシステムとして、がんに関与するKRasタンパク質を利用すること。

主な方法:

• 畳み込みニューラルネットワーク（CNN）、特にGoogLeNetとResNet18を教師あり学習に採用しました。
• 原子間距離、接触マップ、共分散、相互情報量などの構造的および動的特徴を、CNNの画像のような入力として利用しました。
• KRasを活性状態または不活性状態に分類するために、事前学習済みのCNNアーキテクチャを微調整しました。

主要な成果:

• 原子接触マップは、予測において最も効果的な構造的特徴であることが証明されました。
• 線形化相互情報量は、共分散よりも関連する動相関を捉える上で優れていました。
• モデルは有意な検証精度を達成し、原子接触マップは最大90%の精度に達しました。

結論:

• グローバルな構造的再編成と相関運動を統合する深層学習は、タンパク質アロステリック状態を確実に予測できます。
• このアプローチは、アロステリック調節を理解するための有望なフレームワークを提供します。
• この発見は、タンパク質機能状態を正確に予測することにより、標的療法の開発を支持します。