トーゴーの日シンポジウム 2016 東大弥生講堂, 5 October 2016 生命科学におけるデータサイエンスの課題と PDB 中村春木大阪大学蛋白質研究所

(1)

生命科学における

データサイエンスの課題

と

PDB

中村春木

大阪大学蛋白質研究所

harukin@protein.osaka-u.ac.jp

http://pdbj.org/, http://wwpdb.org/

トーゴーの日シンポジウム

2016

東大弥生講堂

, 5 October 2016

(2)

)

_,*%

₃

=LQHEP

#

Sir Isaac Newton

(1642-1727)

</2C3-LQHEP

DIKW

NQOIK

(J. Rowley: The wisdom hierarchy, 2007)

JRG(

Data

)139-C 0B,JRG

$D79&36S

Information

T:3,

5="<A796;!S

Knowledge

T=

D44@,S

Wisdom

):39'"D.

W

isdom

K

nowledge

I

nformation

D

ata

₄

=LQHEP

JRG

_{(- or –()}

AI

:>8-6MIFJRG?

11.3 PF

(T

理化学研究所計算科学研

究機構ホームページから

(3)

データが無ければ問題解決はできない

（より正しくは）

正確な

データが無ければ問題解決はできない

・使われるデータは正しいのか？

　　

_{→データの客観的な}

_validation

の仕組みが必要

・使われるデータは最新か？

　　

_{→データの}

_versioning

の仕組みが必要

・

正確な

データが無い場合はどうするか？

　　

_→

実験

、

シミュレーション

により正確なデータを創出する

　　　（シミュレーション結果もアーカイブする）

データ科学の課題

(4)

• !

X-ray Crystallography

• !

Nuclear Magnetic Resonance (NMR)

• !

Cryo-Electron Microscopy

PDB: Protein Data Bank since 1971

ă`Śăħ

ÌLřťŨ¢Ì

®'Ĩư

NMRƱ

ƁƛŸƌƩðä

(@IPR)

XFEL & Synchrotron

(SACLA & SPring-8)

ÞĩľľĽĩĩľ

XãD~ĩľĽĩľľľěV^hƝƈƘĩľĽĩľľ4VơƋƩ

1

_{HN (ppm)}

15

N (ppm)

½ħ*V

_{3ª Ö¦ĉvKŚŭƯŵůƗ}

(5)

**3.8 Å *øæ**

ĩ

**_{PfV (Pf Virus-like particle) *VŚůƠƯƀ}**

ĖPìÅÊƮ]cÈgĿacy²Ŀd8ŚRwřťŨ

Mw = 7 MDa

&:;<:=!0.>?!(@$A!B1!

(6)

ìÅĂŚlŚƋƯƅƒƬŸƵ

PDB

ĹĸĶŚ¬8

ĮĴıĭf

ƵìÅĂÞXŇSşŨ

ľƞŴŹƫƔƬĿƙơŹƫƔƬĿ

ľƨƄƇƯƟŘŗ

ĮĴĲĭf

ƵĹĸĶĩĒSĩ

Ĳ

ưĮĴĲĮfĮĭƱ

ľÚFƗƩƈŸƙƗƬFÖÊÕz

ľPĖPXìÅĂÊÕzřŅŃŔţ

ľſƌŸƫƟ

Ś¦ĉū°ZĽÄď

ľÌ®ƊƯƘūče

ƝƈŸƁĩƛƩƯƉĩ

H!!

ľľľľľƀƥƬĩźƬƍƨƣƯ

!

ư

_{2%A0fƐƯƚƩ1XāƱĩ}

(7)

蛋白質の形のデータバンク：

PDB

1980年代

：データ登録の急増（国際結晶学会:

　　　　　

データ登録が論文投稿の必須条件

）

1990年代

：RCSB-PDB（米国）が運営を開始

2000年代

：

wwPDB

が設立(2003年）

　　　　　構造ゲノム科学による構造急増

2010年代

：新規の手法が開発

　　　　　

123,000件

以上のデータ公開

　　　　　ビッグ・データの時代へ

(8)

Protein Data Bank Japan

http://pdbj.org/

　　

_{2000年から、国立研究開発法人}

　　科学技術振興機構（現在は

_NBDC）

　　の支援を受けて活動

PDBj スタッフ

(2016年4月)

PDBj-BMRB スタッフ

PDBj トップページ（日・英・中・台・韓）

(9)

The wwPDB (world-wide PDB)

14 wwpdb.org

第

12回 wwPDB 国際諮問委員会

大阪大学蛋白質研究所

2015年10月2日

wwPDB since 2003

(10)

wwPDBの各メンバーの活動とサービス

•  “

Data-in

” の活動：wwPDBの一員として

データの高品質を保つ。その目的のため、

データ登録法

、

検証システム

、

_versioning

システム

、

新規データフォーマット

を開発

•   “Data-out”

の活動：共通データのダウンロー

ドサイト（毎週水曜

₉

時にアプデート）の運営

、

種々のサービスや二次データベースの提供

(11)

PDB OneDep

(Depositions & Annotations)

125K 74K 28K 24K

• ! 2016f7ņŦĿY%ŘHJ+

ŚÄď(¼ŇĒS

–

! RCSB PDB: 32ŭƠƨŵŅ

ťŝŴƂŭƎŭ

–

! PDBe: ƦƯƫƈƓŖŭƖƨŵ

–

! PDBj: ŭƀŭŖ

OneDep

(12)

OneDep: Unified Deposition Portal for the wwPDB

(13)

OneDep: Unified Deposition Portal for the wwPDB

(14)

OneDep: Unified Deposition Portal for the wwPDB

Re-directed to PDBj site

(15)

0 20000 40000 60000 80000 100000 120000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

世界中で決定された構造の

約１／４の登録処理

を

PDBjで実施

PDBjで処理された総件数 (

27,779,

2016年9月27日)

PDBの総データ件数 (

123,021,

2016年9月28日)

年

PDBj と wwPDBのData-in活動

PDB

登録データ件数

**(*2016年9月28日付)**

*

2000 2005 2010 2015 2016*

120000

100000

80000

60000

40000

20000

0

22

(16)

wwPDBŞŚ:fhŚÄď

X-ray

NMR

EM

,-./

**!"#$%&'%()#*"$"#+,-./)#0"#1%2%345%#6789:;#**

EM

(17)

研究者番号

_{ORCID の利用}

Open Researcher and Contributor ID

http://orcid.org

•  wwPDB では

2016

年

₄

月

から利用開始

• 2018

年には必須項目

とする予定

₂₄

(18)

25 Validation report のweb公開

Validation reportの例

データ検証（

Validation

）レポートの発行と

実験データの公開

登録時に必須とされている実験情報

• X-ray: Structure Factor（構造因子）

• NMR: 化学シフトと距離拘束情報

(19)

PDB エントリーのversion管理

現行の問題点

•  座標更新時には、同一の実験データに由来するものでもPDB IDが変更される

　

→　

論文中で使われる

PDB ID と実際に公開されるPDBIDとが一致しない

新規

_{PDB ID コードの導入（案）}

•  分かり易く透明性のあるversion管理による

更新データファイル名称

•  “PDB”を先頭につけ、4文字コードも拡張

　　　

(例：現行の

“1ABC

” から “

PDB_00001ABC

”のように変更・拡張)

•  PDB IDコードの例:

PDB_00001ABC_XYZ_V2-2.cif.gz

実装の計画（案）

• version管理がなされた新規のPDB IDコードによるftp サイトを公開

　　（ツリー構造として構造情報だけでなく関連する実験情報、メタ情報を含む）

• 現行の

PDBIDを付けた

ftp サイトを継続して公開

　　（最新

_{versionの構造情報のみを公開）}

26

(20)

PDBの新規フォーマット:

PDBx/mmCIF

•  PDB フォーマットは

40 年以上前

に作られ、現在の科学

にはうまく合致しない

•  PDB レコードの限界

–

  最大

62 本の高分子鎖まで

–

  最大

99,999 ヶの原子まで

–  リガンドの結合次数や光学活性（キラリティー）が記載されない

–  NMR, 電子顕微鏡, ハイブリッド法, etcへの対応が不備

–  メタデータの記載が面倒であり情報を引き出しにくい

•   新規フォーマットでもできるだけ互換性を保つ

•   新規フォーマットから

PDBフォーマットへの変換サービスを公開

• 2014年から開始

(21)

Large Structures (434) in PDB

• ! 2014f12ņŦ, ĐĿ4VŇOŃ large structures śPDB ƖųƯƝƈƌŕ

ś«ôřś&ĒŋũŎ

PDBx/mmCIF

Ņťŝ

PDBML

ƖŬůƩŕŚŠ&Ē

–

! A bundle of “best-effort PDB files (PDB bundle)” śĿnņŦŚƤƯž

ŚŐŢř

wwPDB FTP ŽůƌņŦ&Ē

• ! :ĩwwPDB ƠƬƒƯś

large structures

ūóŨƉƯƩ

ū

PDBe

RCSB-PDB

PDBj

4v6x: structure of

human 80S ribosome,

89 chains, 4 MDa

(22)

%+#

D!3-N,+,!O..P,8!N,!Q.C/**

**C+R.S!KNF.M4F+T!UT+V-*MR!**

#

23#)4'#5-678#%$!&#9:7;#%'#.<-3=-->

!

&.9.T!LNR.J!WF.X!LNR.!

####?@A#5.3#B:-CDE#FA5G4HBGI#

3+O..T!Y.F+,E.T!?HBG-I#

ZN,!Q.S.FF!?GJFGI#

**[+T4E!D+E+O4T+J![TN\4O!34?4EJ!**

U.T9/I+,!;.EE.T!

####?HBGKI

**]N,9T*C4PN,R!\TNO!+FF!9-.!55&:;!V+T9,.TR**

Web-based Molecular Graphics

MMTF

(Macromolecular

(23)

»íŚ

PDB

řŅŊŨƖųƯƝƈƌ

PDB (ca. 1974)

PDBx/mmCIF (ca. 1997)

PDBML (ca. 2005)

RDF (ca. 2011)

PDB

PDBx/

mmCIF

PDBML

& RDF

PDBx/mmCIF ŕ ŚƋƯƅŇÙ¼ŋũŚƖųƯƝƈƌŞN

(24)

ATOM 1 N GLN A 39 24.690 -27.754 24.275 1.00 60.76 N ATOM 2 CA GLN A 39 23.581 -26.768 24.416 1.00 60.98 C ATOM 3 C GLN A 39 23.990 -25.379 23.905 1.00 59.98 C ATOM 4 O GLN A 39 25.070 -25.209 23.330 1.00 60.25 O ATOM 5 CB GLN A 39 23.136 -26.685 25.878 1.00 60.69 C ATOM 6 N VAL A 40 23.115 -24.395 24.122 1.00 59.58 N ATOM 7 CA VAL A 40 23.342 -23.010 23.690 1.00 57.26 C ATOM 8 C VAL A 40 24.000 -22.152 24.778 1.00 56.00 C ATOM 9 O VAL A 40 23.992 -20.920 24.692 1.00 55.53 O ATOM 10 CB VAL A 40 22.015 -22.337 23.275 1.00 57.32 C loop_ _atom_site.group_PDB _atom_site.id _atom_site.auth_atom_id _atom_site.type_symbol _atom_site.auth_comp_id _atom_site.auth_asym_id _atom_site.auth_seq_id _atom_site.Cartn_x _atom_site.Cartn_y _atom_site.Cartn_z _atom_site.pdbx_PDB_model_num _atom_site.occupancy _atom_site.pdbx_auth_alt_id _atom_site.B_iso_or_equiv ATOM 1 N N GLN A 39 24.690 -27.754 24.275 1 1.000 . 60.760 ATOM 2 CA C GLN A 39 23.581 -26.768 24.416 1 1.000 . 60.980 ATOM 3 C C GLN A 39 23.990 -25.379 23.905 1 1.000 . 59.980 ATOM 4 O O GLN A 39 25.070 -25.209 23.330 1 1.000 . 60.250 ATOM 5 CB C GLN A 39 23.136 -26.685 25.878 1 1.000 . 60.690 ATOM 6 N N VAL A 40 23.115 -24.395 24.122 1 1.000 . 59.580 ATOM 7 CA C VAL A 40 23.342 -23.010 23.690 1 1.000 . 57.260 ATOM 8 C C VAL A 40 24.000 -22.152 24.778 1 1.000 . 56.000 ATOM 9 O O VAL A 40 23.992 -20.920 24.692 1 1.000 . 55.530 ATOM 10 CB C VAL A 40 22.015 -22.337 23.275 1 1.000 . 57.320 ATOM 11 N N ALA A 41 24.560 -22.804 25.797 1 1.000 . 54.570

PDB

PDBx/mmCIF

(25)

•  Phenix and Refmac – produce native PDBx files for deposition

•  MMDB - macromolecular object library in CCP4

•  iotbx.cif/ucif - CCTBx C++/Python IO library with dictionary validation

•  CCIF – CCP4 C++ library with FORTRAN support and dictionary validation

•  CBFLib - ANSI-C library for CIF & imgCIF files

•  mmLIB - Python toolkit supporting CIF & mmCIF

•  BioPython - Python toolkit for computational biology

•  PyCifRW - Python CIF/mmCIF parsing tools

•  BioJava - Java mmCIF IO package

•  STAR::Parser – Perl mmCIF parser and molecular object library

•  RCSBTools - C++/Python parsing and dictionary validation tools plus many

other supporting format conversion and data management applications

•  Visualization - UCSF Chimera, Jmol, OpenRasMol, Coot, CCP4mg,

jV, Molmil

(26)

新規フォーマットへの

_{wwPDBのサービスサイト}

(27)

新規フォーマットへの変換サービスサイト

(28)

wwPDBの各メンバーの活動とサービス

•   “Data-in”

の活動：

wwPDBの一員として

データの高品質を保つ

。

その目的のため

、

データ登録法

、

検証システム

、

_versioning

システム

、

新規データフォーマットを開発

•  “

Data-out

”の活動：共通データのダウンロー

ドサイト（毎週水曜

_{9時にアプデート）の運営、}

種々のサービスや二次データベースの提供

(29)

http://pdbj.org/

Graphic viewer: jV and

Molmil

http://pdbj.org/jV/

Molecular surface DB: eF-site

http://ef-site.hgc.jp/eF-site/

Amino acid sequence (FASTA)

Data viewer at PDBj

PDBjにおけるData-out活動

Kinjo et al. NAR 40, D453 (2012)

KEGG

,

IDEAL

(IDP/IDR),

(30)

Molmil: PDBjで独自開発した

WebGLによる分子ビューア

•  JavaScript/WebGLテクノロジーを活用

•  PDB, PDBx/mmCIF, PDBML フォーマットが利用可能

•  PDB, chem_comp （Compound）, eF-site, ProMode Elastic

が閲覧可能

•  スクリーンショットを出力可能

(31)

Protein Molecular Surface DB

蛋白質分子表面の形状と静電物性の表示

_:

_eF-site

（

_{large structures}

にも対応）

(32)

PDBjにおける特徴的な

Data-out

(33)

電顕画像と原子構造とを同時に可視化

EM Navigator

: Viewer of

Images of EM-DB

Yorodumi

: Viewer of both Image and

Atomic Structure

(34)

Omokage search: PDB, EMDB, SASBDBの

データベース横断的に類似形状を探索

(35)

Omokage search: PDB, EMDB, SASBDBの

データベース横断的に類似形状を探索

Query: human RNA polymerase II with RNA (EMDB: 2190)

Similar shapes from 224,894 images/structures

(36)

Kinjo et al. (2012) Nucl. Acids Res. 40, D453-D460.

X-ray Structure

NMR Structure

Exp. Information

(X-ray, NMR, EM, etc)

Cryo-EM

_SAXS

Large Complex

Sequence

PPI (interaction)

wwPDB/RDF

ư

PDBj ĎIŦƱ

http://rdf.wwpdb.org/

In UniProt RDF:

BMRB/RDF

ưPDBj-BMRB ¨HŦƱ

http://bmrbpub.protein.osaka-u.ac.jp

Semantic WebŚŐŢŚwwPDB/RDF

Service from wwPDB

Kinjo et al. (2012) Nucl. Acids Res. 40, D453-D460.

Yokochi et al. (2016) J. Biomed. Semantics, 7:16.

(37)

wwPDB/RDF

ư

PDBj ĎIŦƱ

http://rdf.wwpdb.org/

In UniProt RDF:

BMRB/RDF

ưPDBj-BMRB ¨HŦƱ

http://bmrbpub.protein.osaka-u.ac.jp

Semantic WebŚŐŢŚwwPDB/RDF

Service from wwPDB

Kinjo et al. (2012) Nucl. Acids Res. 40, D453-D460.

Yokochi et al. (2016) J. Biomed. Semantics, 7:16.

Linked Data:

Connect Distributed Data across the Web

http://linkeddata.or

g

�

Linking Open Data Cloud Diagram by

Cyganiak & Jentzsch

(38)

NBDC RDF-portalへの統合化

NBDC RDF-Portal

https://integbio.jp/rdf/

wwPDB/RDF

(39)

PDB

ƋƯƅŚŚƋƯƅƚƯƁŞŚß;1Ƶ

_{SIFTSvKŚ´¾}

ĩ

(

Structure integration with function, taxonomy and sequence

)

EBIŹƩƯƘŖPDBjŖŚ'<¥řťŒŔSIFTS/RDFūĒÃ

Ƶ

BioHackathonřťŨ

FALDO

(40)

(41)

SIFTSūĈŌŔPDBƋƯƅŖŚƋƯƅƚƯƁŚ

(42)

PDBjスタッフ

謝辞

Data-in

Data-out

(43)

RDF

開発

川島秀一

(DBCLS)

大久保克彦

(JST-NBDC, 日立製作所）

Jerven Bolleman (UniProt, EBI: FALDO)

Sameer Velankar (SIFTS & PDBe, EBI)

謝辞

RESTful web

トーゴーの日シンポジウム 2016 東大弥生講堂, 5 October 2016 生命科学におけるデータサイエンスの課題と PDB 中村春木 大阪大学蛋白質研究所

生命科学における

データサイエンスの課題

と

PDB

中村 春木

大阪大学蛋白質研究所

harukin@protein.osaka-u.ac.jp

http://pdbj.org/, http://wwpdb.org/

トーゴーの日シンポジウム

2016

東大弥生講堂

, 5 October 2016

)

,*%



3

=LQHEP

#

Sir Isaac Newton

(1642-1727)

</2C3-LQHEP

DIKW

NQOIK

(J. Rowley: The wisdom hierarchy, 2007)

JRG(

Data

)139-C 0B,JRG

$D79&36 S

Information

T:3,

5="<A796;!S

Knowledge

T=

D44@, S

Wisdom

):39'"D.

W

isdom

K

nowledge

I

nformation

D

ata



4

=LQHEP

JRG

(- or –() 

AI

 :>8-6MIFJRG?

11.3 PF

(T

理化学研究所計算科学研

究機構ホームページから

データが無ければ問題解決はできない

（より正しくは）

正確な

データが無ければ問題解決はできない

・使われるデータは正しいのか？

→データの客観的な

validation

の仕組みが必要

・使われるデータは最新か？

→データの

versioning

の仕組みが必要

・

正確な

データが無い場合はどうするか？

→

実験

、

シミュレーション

により正確なデータを創出する

（シミュレーション結果もアーカイブする）

データ科学の課題

•

!

トーゴーの日シンポジウム 2016 東大弥生講堂, 5 October 2016 生命科学におけるデータサイエンスの課題と PDB 中村春木大阪大学蛋白質研究所

中村春木

_,*%

₃

#

</2C3-LQHEP

JRG(

)139-C 0B,JRG

$D79&36S

5="<A796;!S

T=

D44@,S

):39'"D.

₄

_{(- or –()}

:>8-6MIFJRG?

_{→データの客観的な}

_validation

_{→データの}

_versioning

_→

　　　（シミュレーション結果もアーカイブする）

ă`Śăħ

ÞĩľľĽĩĩľ

_{HN (ppm)}

½ħ*V

_{3ª Ö¦ĉvKŚŭƯŵůƗ}

**3.8 Å *øæ**

**_{PfV (Pf Virus-like particle) *VŚůƠƯƀ}**

ĖPìÅÊƮ]cÈgĿacy²Ŀd8ŚRwřťŨ

ĮĴıĭf

ƵìÅĂÞXŇSşŨ

ĮĴĲĭf

Ĳ

ưĮĴĲĮfĮĭƱ

_{2%A0fƐƯƚƩ1XāƱĩ}