AlphaFold-RandomWalkおよびAlphaFold-Ensemble：AlphaFoldの摂動バージョンによる代替タンパク質コンフォメーションのサンプリング

科学分野:

• 構造生物学
• 計算生物学
• 生物物理学

背景:

• タンパク質のコンフォメーションの多様性は、生物学的機能にとって重要です。
• AlphaFoldのような機械学習（ML）手法は、タンパク質の構造を予測できます。
• MLが独立して多様なタンパク質コンフォメーションを生成する能力は、まだ調査中です。

研究 の 目的:

• 多様なタンパク質コンフォメーションを生成するための新しいMLベースの方法を開発すること。
• MLと分子動力学（MD）シミュレーションを統合する計算パイプラインを作成すること。
• タンパク質のコンフォメーションの不均一性を調査する上で、ML生成コンフォメーションの有用性を評価すること。

主な方法:

• モデルの重みにノイズを追加することによるAlphaFold-RandomWalk（AF-RW）の開発。
• モデルアンサンブルをファインチューニングすることによるAlphaFold-Ensemble（AF-Ensemble）の開発。
• MLコンフォメーションから無偏MDシミュレーションを開始するマルチステージパイプラインへの統合。

主要な成果:

• AF-RWは、従来のメソッドと比較してコンフォメーションの多様性を大幅に増加させました。
• このパイプラインは、10個のタンパク質に対して生物学的に意味のある代替コンフォメーションを生成しました。
• ML生成コンフォメーションからのシミュレーションは、K-Rasおよびリボソーム結合タンパク質の自由エネルギーランドスケープを近似しました。

結論:

• ML手法は、多様なタンパク質コンフォメーションを効果的に生成できます。
• MLによって予測された多様なコンフォメーションとMDシミュレーションを組み合わせることで、タンパク質のコンフォメーションの不均一性を効率的に調査できます。
• このアプローチは、タンパク質のダイナミクスと機能を研究するための強力なツールを提供します。