[論文レビュー] High-resolution Markov state models for the dynamics of Trp-cage miniprotein constructed over slow folding modes identified by state-free reversible VAMPnets

Hythem Sidky, Wei Chen+1 more|arXiv (Cornell University)|Jun 11, 2019

Protein Structure and Dynamics被引用数 6

ひとこと要約

本稿では、タンパク質折りたたみの高分解能マルコフ状態モデル（MSM）を構築するための非線形特徴学習フレームワークとして、状態フリーの可逆的VAMPネット（SRVs）を導入する。従来のTICAに代えてSRVsを採用することで、帰納的時間定数の収束が速くなり、入力特徴量へのロバスト性が向上し、短いラグタイムでもより高い運動的分解能が達成可能となり、トロイ・ケージ折りたたみダイナミクスにおいて、溶融グロブール状態の運動的ハブと、以前に報告されていなかった一時的中間状態が明らかになった。

ABSTRACT

State-free reversible VAMPnets (SRVs) are a neural network-based framework capable of learning the leading eigenfunctions of the transfer operator of a dynamical system from trajectory data. In molecular dynamics simulations, these data-driven collective variables (CVs) capture the slowest modes of the dynamics and are useful for enhanced sampling and free energy estimation. In this work, we employ SRV coordinates as a feature set for Markov state model (MSM) construction. Compared to the current state of the art, MSMs constructed from SRV coordinates are more robust to the choice of input features, exhibit faster implied timescale convergence, and permit the use of shorter lagtimes to construct higher kinetic resolution models. We apply this methodology to study the folding kinetics and conformational landscape of the Trp-cage miniprotein. Folding and unfolding mean first passage times are in good agreement with prior literature, and a nine macrostate model is presented. The unfolded ensemble comprises a central kinetic hub with interconversions to several metastable unfolded conformations and which serves as the gateway to the folded ensemble. The folded ensemble comprises the native state, a partially unfolded intermediate "loop" state, and a previously unreported short-lived intermediate that we were able to resolve due to the high time-resolution of the SRV-MSM. We propose SRVs as an excellent candidate for integration into modern MSM construction pipelines.

研究の動機と目的

• TICAに代わる非線形特徴学習を用いることで、タンパク質折りたたみのマルコフ状態モデル（MSM）の分解能とロバスト性を向上させること。
• 入力特徴量やラグタイムの選択に敏感であるMSM構築の問題を解決し、運動的分解能と収束性の制限を克服すること。
• 深層学習に基づく集団変数を用いて、バイオマクロマoleculeの遅い構造的変化ダイナミクスを高分解能でモデル化すること。
• 時間分解能を向上させることで、トロイ・ケージミニタンパク質の折りたたみダイナミクスにおいて、以前に解明されていなかった中間状態と運動的経路を明らかにすること。
• SRVsがMSMパイプラインにおけるTICAのモジュラーで高性能な代替手段として機能できることを示すこと。

提案手法

• 変分的コンformationalダイナミクス（VAC）に基づく、状態フリーの可逆的VAMPネット（SRVs）という深層学習フレームワークを用い、転送作用素の最も遅い固有関数を近似する非線形集団変数を学習する。
• 変分問題の最適な非線形基底集合を学習するために、VAMP-2スコアを損失関数として用いる二葉型ニューラルネットワークを訓練する。
• TICA射影座標の代わりにSRV座標を入力特徴量として用いることで、MSMを構築し、遅いダイナミカルモードを直接モデル化可能にする。
• PCCA++クラスタリングをSRV射影空間に適用し、マクロ状態を定義し、遷移確率と帰納的時間定数を計算する。
• 交差検証を用いてモデルを検証し、テストVAMP-2スコアと収束行動を用いてTICAベースのMSMと性能を比較する。
• マイクロ状態遷移行列と固有値スペクトルを分析し、準安定状態と運動的経路を同定する。

実験結果

リサーチクエスチョン

• RQ1 SRVsは、より速い収束とより高い運動的分解能を実現することで、TICAを上回るMSM構築性能を示せるか？
• RQ2 アンフォールド状態集合はトロイ・ケージ折りたたみにおいてどのような役割を果たし、フォールド状態への遷移を媒介する運動的ハブを含むか？
• RQ3 SRV-MSMは、低分解能モデルでは見えなかった、以前に検出されていなかった一時的中間状態を解明できるか？
• RQ4 入力特徴量の選択がMSMのロバスト性と性能に与える影響は何か？また、SRVsはこの感度を緩和できるか？
• RQ5 トロイ・ケージの主な折りたたみ経路と運動的メカニズムは何か？それらはRMSDやTICAに基づく先行モデルとどのように異なるか？

主な発見

• SRV-MSMは、TICA-MSMと比較して、帰納的時間定数の収束が速く、テストVAMP-2スコアの分散が小さいことから、優れた性能とロバスト性を示している。
• アンフォールド状態集合には、フォールド状態および部分的にフォールドされた構造への遷移を媒介する中心的な運動的ハブが存在し、それが溶融グロブール状態として同定された。
• 九マクロ状態モデルにより、以前に報告されていなかった短命の中間状態 $\mathcal{S}_0$ が明らかになった。この状態は部分的にフォールドされた $3_{10}$-ヘリックスを有し、折りたたみにおける主要な準安定状態として機能する。
• 折りたたみは、主に溶融グロブールハブを通じる核化・凝集機構を経て進行し、ネイティブ状態への直接的折りたたみ、または $\mathcal{S}_0$ および非ナチュラルな $3_{10}$-ヘリックスを有する別の中間状態を通る経路が存在する。
• 主な折りたたみ経路は、疎水性コアとN末端 $\alpha$-ヘリックスの形成が $3_{10}$-ヘリックスの折りたたみよりも先に起こることを示しており、溶融グロブールメカニズムと整合的である。
• シミュレーションデータは、統計的に信頼できるマクロ状態が9つまでであることを支持しており、これ以上の折りたたみ経路の分解能を得るには、現在の範囲を超えてマイクロ状態レベルの解析やパスサンプリングが必要である。