[論文レビュー] Clustering of molecular dynamics trajectories via peak-picking in multidimensional PCA-derived distributions

Athanasios Baltzis, Panagiotis I. Koukos+1 more|arXiv (Cornell University)|Dec 13, 2015

Protein Structure and Dynamics参考文献 17被引用数 5

ひとこと要約

本論文では、多次元主成分分析（PCA）に基づく分布におけるピークピッキングを用いて、分子動力学（MD）トラジェクトリの高速で自動化されたクラスタリング手法を提示する。分散説明率基準を用いて密度閾値を決定することで、最小限のユーザー入力で3次元および5次元のPCA空間における離散的状態を特定し、carma、grcarma、cluster5Dなどのツールを介して大規模MDシミュレーションの効率的解析を可能にする。

ABSTRACT

We describe a robust, fast, and memory-efficient procedure that can cluster millions of structures derived from molecular dynamics simulations. The essence of the method is based on a peak-picking algorithm applied to three- and five-dimensional distributions of the principal components derived from the trajectory and automatically supports both Cartesian and dihedral PCA-based clustering. The density threshold required for identifying isolated peaks (which correspond to discrete clusters) is determined through the application of a variance-explained criterion which allows for a completely automated clustering procedure with no user intervention. In this communication we describe the algorithm and present some of the results obtained from the application of the method as implemented in the molecular dynamics analysis programs carma, grcarma. and cluster5D. We conclude with a discussion of the limitations and possible pitfalls of this method.

研究の動機と目的

• 大規模な分子動力学トラジェクトリに適した堅牢でメモリ効率の良いクラスタリング手法の開発。
• ユーザー定義パラメータなしに多次元PCA空間におけるクラスタ検出を自動化すること。
• 一元的なフレームワーク内で直交座標および二面角PCAベースのクラスタリングを支援すること。
• MDシミュレーションから得られる数百万構造の高スルーレート解析を可能にすること。
• データ駆動型の密度閾値基準により、ユーザーの関与を最小限に抑えること。

提案手法

• 本手法は、MDトラジェクトリの構造を3次元または5次元の分布に次元削減するために主成分分析（PCA）を適用する。
• PCAスコアの密度分布における局所的最大値を特定するためにピークピッキングアルゴリズムを用いる。
• 密度閾値を動的に設定するための分散説明率基準を用い、孤立したピークとバックグラウンドノイズを区別する。
• 直交座標および二面角に基づくPCAの両方をサポートし、柔軟なコンformational解析を可能にする。
• 完全な構造比較を避けるために、PCAスコア分布の上でのクラスタリングを直接実行する。
• practicalな使用を目的として、分子動力学解析ツールである carma、grcarma、cluster5D に実装されている。

実験結果

リサーチクエスチョン

• RQ1 手動によるパrameterチューニングが不要な、完全に自動化されたMDトラジェクトリのクラスタリング手順を開発可能か？
• RQ2 多次元PCA空間におけるピークピッキングは、明確に分離されたコンformational状態をどの程度効果的に解明できるか？
• RQ3 数百万のMD構造に適用した場合、本手法の性能とスケーラビリティはいかがなものか？
• RQ4 生物学的に意味のあるクラスタを特定する際、分散説明率基準はヒューリスティックな閾値設定と比較してどのように優れているか？
• RQ5 複雑な多次元コンformationalランドスケープに適用した場合、PCAベースのクラスタリングの限界は何か？

主な発見

• 本手法は、完全な構造比較を必要とせず、PCAスコア分布のみを用いてMDトラジェクトリ内の離散的コンformational状態を効果的に特定した。
• 分散説明率基準により、クラスタ検出におけるユーザー定義パラメータの必要性が排除され、自動的な閾値選択が可能になった。
• 計算効率が高く、メモリ使用量を最小限に抑えながら、数百万の構造を処理できるスケーラブルな手法である。
• 本手法は直交座標および二面角PCAの両方をサポートしており、タンパク質ダイナミクスの柔軟な解析を可能にする。
• carma、grcarma、cluster5D への実装により、実世界のMDシミュレーションデータへの実用的応用が可能になった。
• 著者らは、PCAの次元数に敏感であることや、低密度領域での過剰適合のリスクといった潜在的な落とし穴を特定した。