[論文レビュー] Discovery of Self-Assembling $\pi$-Conjugated Peptides by Active Learning-Directed Coarse-Grained Molecular Simulation

Kirill Shmilovich, Rachael A. Mansbach+5 more|arXiv (Cornell University)|Jan 27, 2020

Supramolecular Self-Assembly in Materials参考文献 92被引用数 4

ひとこと要約

本研究は、粗粒度分子動力学（CGMD）、変分オートエンコーダー（VAE）、ベイズ最適化を統合したアクティブラーニングフレームワークを構築し、DXXX-OPV3-XXXDファミリーに属するπ共有結合ペプチドのうち、良好に積層された疑似1次元ナノ集合体を自己集合する最良の候補を、高い効率で同定することを目的としている。全8,000通りのトリペプチド配列のうちたった2.3%に相当する186配列のシミュレーションのみで、優れた自己集合体を形成する配列を同定し、小〜中程度の疎水性アミノ酸の選択と、πコアに近接する位置におけるメチオニンの配置が、自己集合性を高める設計則を明らかにした。

ABSTRACT

Electronically-active organic molecules have demonstrated great promise as novel soft materials for energy harvesting and transport. Self-assembled nanoaggregates formed from $\pi$-conjugated oligopeptides composed of an aromatic core flanked by oligopeptide wings offer emergent optoelectronic properties within a water soluble and biocompatible substrate. Nanoaggregate properties can be controlled by tuning core chemistry and peptide composition, but the sequence-structure-function relations remain poorly characterized. In this work, we employ coarse-grained molecular dynamics simulations within an active learning protocol employing deep representational learning and Bayesian optimization to efficiently identify molecules capable of assembling pseudo-1D nanoaggregates with good stacking of the electronically-active $\pi$-cores. We consider the DXXX-OPV3-XXXD oligopeptide family, where D is an Asp residue and OPV3 is an oligophenylene vinylene oligomer (1,4-distyrylbenzene), to identify the top performing XXX tripeptides within all 20$^3$ = 8,000 possible sequences. By direct simulation of only 2.3% of this space, we identify molecules predicted to exhibit superior assembly relative to those reported in prior work. Spectral clustering of the top candidates reveals new design rules governing assembly. This work establishes new understanding of DXXX-OPV3-XXXD assembly, identifies promising new candidates for experimental testing, and presents a computational design platform that can be generically extended to other peptide-based and peptide-like systems.

研究の動機と目的

• 8,000種類のDXXX-OPV3-XXXD配列空間を、効率的に探索し、最良の自己集合性を示すπ共有結合ペプチドを同定すること。
• 実験的スクリーニングの費用が高いため、計算シミュレーションを用いて有望な候補を優先的に選定することで、そのコストを低減すること。
• ナノ集合体の形成品質と積層度の高さを規定する、配列-構造-機能関係を同定すること。
• ペプチド系およびペプチド様機能材料の設計に汎用的に応用可能な計算プラットフォームを構築すること。

提案手法

• マイクロ秒スケールの時間領域で、DXXX-OPV3-XXXDペプチドの自己集合を粗粒度分子動力学（CGMD）シミュレーションでモデル化する。
• 高次元のコンformationalトレイジェクトリを低次元表現に学習するため、変分オートエンコーダー（VAEs）を用いる。
• シミュレーションデータに基づいて、集合体の品質を予測する代理モデルをガウス過程回帰を用いて構築する。
• 次のシミュレーションに最も情報を与える配列を逐次選択するため、ベイズ最適化を適用し、総シミュレーションコストを最小化する。
• 予測を繰り返し精緻化するアクティブラーニングループを統合し、最小限のサンプリングで最良の候補に収束させる。
• トレイジェクトリにスペクトルクラスタリングを適用し、異なる自己集合経路を特定し、構造的・動的特徴に基づいて配列を「良好」「中程度」「不良」な自己集合体に分類する。

実験結果

リサーチクエスチョン

• RQ1 どのDXXX-OPV3-XXXDトリペプチド配列が、最良のπ軌道オーバーラップを示し、良好に積層された高秩序なナノ集合体を形成するか？
• RQ2 全8,000通りの配列空間を、全数シミュレーションを行わずとも、効率的に探索し、最良の候補を同定する方法は何か？
• RQ3 高品質な自己集合体形成や構造的秩序性と相関する物理的・化学的特徴、または配列パターンは何か？
• RQ4 π共有結合ペプチドが機能的なオプトエレクトロニクスナノ構造へ自己集合する背後にある設計原則は何か？
• RQ5 CGMD、表現学習、ベイズ最適化を統合したアクティブラーニングフレームワークは、最小限のシミュレーションコストで最良の性能を示す候補を信頼性高く予測できるか？

主な発見

• アクティブラーニングプロトコルにより、全8,000通りのトリペプチド配列のうち186配列（全空間の2.3%）のシミュレーションのみで、最良のDXXX-OPV3-XXXD配列を同定した。
• 本手法は、以前に報告された実験的候補よりも優れた自己集合性を予測した。これは、積層性とナノ集合体形成の面で性能が向上していることを示唆している。
• シミュレーショントレイジェクトリにスペクトルクラスタリングを適用した結果、低次元多様体が明らかになり、構造的・動的特徴に基づいて配列が「良好」「中程度」「不良」な自己集合体に自然に分類された。
• 良好な自己集合体は、小〜中程度の疎水性アミノ酸（例：Ala、Val、Leu、Ile）を多く含み、大きな芳香族アミノ酸（例：Phe、Tyr、Trp）を欠損していた。
• πコアに最も近いX位置にメチオニンが存在する場合、自己集合性が中程度から強く促進されることが判明した。一方、他の位置に存在するAsp、Glu、Metは、ほとんど影響を示さなかった。
• 本研究は、ペプチド系材料の仮想スクリーニングに適した計算的に効率的でスケーラブルなプラットフォームを確立した。この手法は、PDIやOTを基幹とする他のπ共有結合系にも応用可能である。