タンパク質言語モデル埋め込みは、解釈可能な注意シグネチャを使用して触媒的亜鉛結合部位と構造的亜鉛結合部位を区別します

科学分野:

• 生化学
• 計算生物学
• バイオインフォマティクス

背景:

• 亜鉛イオンは、触媒補因子または構造要素として機能することにより、タンパク質機能において重要な役割を果たします。
• アミノ酸配列のみに基づいてこれらの亜鉛部位の機能を区別することは、類似の配位幾何形状のため困難です。

研究 の 目的:

• タンパク質配列埋め込みが亜鉛部位を触媒性または構造性として正確に分類できるかどうかを調査すること。
• 亜鉛金属タンパク質ゲノムをアノテーションするための配列のみの計算方法を開発すること。

主な方法:

• タンパク質配列の深層学習モデルであるESM-2埋め込みを利用しました。
• 配列多様な亜鉛タンパク質上で機械学習分類器をトレーニングしました。
• 注意分析を使用してモデルの予測を解釈し、主要な残基相互作用を特定しました。

主要な成果:

• ESM-2埋め込みを使用した亜鉛部位の分類において高い精度（ROC-AUC 0.93-0.97）を達成しました。
• 従来のモチーフベースのアプローチ（AUC = 0.759）を大幅に上回りました。
• 注意分析により、触媒性ヒスチジン配位子と第二殻のカルボキシル基残基との間の特定の相互作用が明らかになりました。

結論:

• 進化的な配列パターンは、触媒性および構造性亜鉛部位を区別する拡張水素結合ネットワークに関する情報をエンコードしています。
• 配列のみのアプローチは、金属タンパク質ゲノムアノテーションのための構造ベースの手法に代わる、スケーラブルな手法を提供します。