ME-pKa：タンパク質pKa予測のためのマルチモーダル学習を用いた深層学習手法

科学分野:

• 生化学および分子生物学
• 計算生物学および化学情報学

背景:

• タンパク質pKa値はアミノ酸のプロトン化状態を決定し、タンパク質の構造、機能、および薬物相互作用にとって重要です。
• 実験的なpKa決定は手間がかかり、既存の計算方法は、特に埋もれた残基において、データの制限と複雑なタンパク質属性に対処するのに苦労しています。

研究 の 目的:

• 新規、正確かつ効率的なマルチモーダルタンパク質pKa予測モデルを開発すること。
• 埋もれた残基の予測を改善し、異なる残基タイプ間での一般化を強化すること。

主な方法:

• 局所アミノ酸環境属性とFASTA配列特性を統合したME-pKa（マルチモーダルESM pKa）モデルを開発しました。
• マルチフィデリティ学習戦略を採用してデータを拡張し、限られたデータ可用性に対処しました。
• ベンチマークデータセットで最先端モデルに対するパフォーマンスを検証しました。

主要な成果:

• ME-pKaは、PE-pKaデータセットにおいて、低いRMSE（0.845 ± 0.09）およびMAE（0.641 ± 0.07）を達成し、既存モデルを上回る優れた予測精度を達成しました。
• Asp、Glu、His、Lysの主要なイオン化可能残基全体で堅牢なパフォーマンスを示しました。
• 埋もれた残基（RSA < 0.2）に対して例外的な精度を示し、複数のデータセットで低いMAE値を達成しました。
• PD-L1抗体のpH依存的な結合を確認し、薬物設計におけるモデルの実用的な意味合いを強調しました。

結論:

• ME-pKaは、特に困難な埋もれた残基のタンパク質pKa値の予測において、大きな進歩をもたらします。
• モデルがマルチモーダルデータを統合し、マルチフィデリティ学習を採用する能力は、精度と一般化を向上させます。
• 正確なpKa予測は、タンパク質のメカニズムを理解し、合理的な薬物設計を進歩させるために不可欠です。