タンパク質とRNAの立体構造に基づいた網羅的計算による相互作用予測

全文

(1)2011年ハイパフォーマンスコンピューティングと計算科学シンポジウム High Performance Computing Symposium 2011. HPCS2011 2011/1/18. タンパク質と RNA の立体構造に基づいた網羅的計算による相互作用予測大上雅史松崎由理内古閑伸之石田貴士秋山泰東京工業大学大学院情報理工学研究科計算工学専攻価には，N ペアからなるデータセットにおける対角成分の N. 1. はじめに. 通りの組み合わせを正例，それ以外の N (N − 1) 通りの組み合. タンパク質間相互作用（Protein-Protein Interaction,. わせを負例としたときの，適合率 (precision) と再現率 (recall). PPI）や，タンパク質-RNA 間相互作用（Protein-RNA In-. の調和平均である F 値 (F -measure) を用いた．結果を表 1 に，. teraction, PRI）に関するネットワークの理解は，細胞内の. 各ペアの相互作用の度合いを表したマップを図 1 に示す．表 1 各データセットの予測結果. シグナル伝達経路の特定や，それをターゲットとした創薬における重要課題となっている．本研究では，これら PPI および. PRI を計算機で大規模にかつ高速に予測するため，分子形状の. PPI(44 × 44). PRI(78 × 78). F 値. 0.42. 0.51 Ligand RNA. Ligand protein. 相補性と静電相互作用のみに基づく単純化された評価モデルを提案し，並列計算機上での効率的な並列計算が可能となるよう. ni teo rp ro tp ec eR. ni teo rp ro tp ec eR. にシステムの実装を行った．. 2. 手. データセット. 法. 本研究で開発された相互作用予測システムは MEGADOCK と呼ばれ，大きく (1) 形状相補性に基づく分子ドッキング計算と，(2) ドッキング結果からの相互作用判別に処理が分かれる．以下，それぞれについて説明する．. S(α, β, γ) = ℜ . N ∑. PPI. ×44 PPI prediction. not PRI. (a) 44. (1) 形状相補性に基づく分子ドッキング計算分子ドッキング計算には，我々の提案した rPSC モデル [1] と称するボクセル化された形状相補性のスコアリングモデルが利用されており，静電相互作用と組み合わせた高速計算を可能としている．rPSC モデルによるスコアを G，静電相互作用によるスコアを E としたとき，分子ドッキング計算は， . not PPI. (b) 78. PRI. ×78 PRI prediction. 図 1 PPI/PRI 予測マップ. 表 1 より，PPI および PRI どちらもおおよそ同等の精度で予測ができていることが分かる．実際にどの程度の数の相互作用が検出されているかは図 1 の通りであるが，正例である対角成分の相互作用検出は比較的よくできているように見て取れる．. . 対角成分以外の相互作用は，評価においては偽陽性ではあるが，. R(l, m, n)L(l + α, m + β, n + γ). 未知の相互作用の検出である可能性もあるため，構造の分布を. l,m,n=1. 確認するなど，1 対 1 での詳細な解析が求められる．. R(l, m, n) = GR (l, m, n) + iER (l, m, n). 4. おわりに. L(l, m, n) = GL (l, m, n) + iwEL (l, m, n). によって表されるドッキングスコア S に基づいて行われる．こ. 本研究ではタンパク質および RNA の立体構造から網羅的に. こで R はレセプタータンパク質，L はリガンド分子（タンパク. 相互作用予測を行う手法を提案し，2 種類のデータセットによっ. 質/RNA）を表す．l, m, n は分子をボクセル化したときの各座. てその精度を確認した．今後の課題として，本手法をヒトのシ. 標，α, β, γ はリガンド分子の位置探索における平行移動パター. グナル伝達系などの大規模な生物系に応用すること，未知の相. ンを表す．また静電相互作用 E については，CHARMM19 と. 互作用の可能性を詳細に調べていくこと，が挙げられる．. 27 による分子電荷の値に基づいた計算を行っている [2]．. 謝辞本研究は，文部科学省最先端・高性能汎用スーパー. (2) ドッキング結果からの相互作用判別. コンピュータの開発利用「次世代生命体統合シミュレーション. 各分子ペアに対して，分子ドッキング計算によって結合位置. ソフトウェアの研究開発」，および科学研究費補助金（基盤研. の候補をドッキングスコア S の高い順に 2,000 パターン抽出. 究（B） 19300102）の支援を受けて行われたものである．. し，それらの結合エネルギーや空間的位置分布，スコア分布な. 文. どから総合的に相互作用の有無を判別する．詳しくは文献 [1] を参照されたい．. 3. 実. 献. [1] 大上雅史, 松崎由理, 松崎裕介, 佐藤智之, 秋山泰． MEGADOCK：立体構造情報からの網羅的タンパク質間相互作用予測とそのシステム生物学への応用, 情報処理学会論文誌数理モデル化と応用, 3(3): 91-106, 2010. [2] Ohue M, Matsuzaki Y and Akiyama Y. Development of a Protein-RNA Interaction Prediction Method Based on a Docking Calculation, The 2010 Annual Conference of the Japanese Society for Bioinformatics (JSBi2010), T02/P077, 2010.. 験. PPI ベンチマークデータセット（44 ペアのタンパク質複合体）と独自に作成した PRI ベンチマークデータセット（78 ペアのタンパク質-RNA 複合体）に対し，本手法を適用した．評 56. ⓒ 2011 Information Processing Society of Japan.

(2)