[論文レビュー] Prediction of amino acid side chain conformation using a deep neural network

Ke Liu, Xiangyan Sun+8 more|arXiv (Cornell University)|Jul 26, 2017

Protein Structure and Dynamics参考文献 17被引用数 12

ひとこと要約

この論文では、標準的な物理ベースの手法よりも25%以上高い精度でアミノ酸側鎖のコンformationを予測する深層ニューラルネットワークを紹介している。特に芳香族アミノ酸に対して顕著な性能向上を示す。エネルギー関数に依存せずに高分解能構造から学習することで、コンformationの外れ値を特定し、タンパク質モデリング、クロイエム、ドラッグドッキングへの応用を可能にする。

ABSTRACT

A deep neural network based architecture was constructed to predict amino acid side chain conformation with unprecedented accuracy. Amino acid side chain conformation prediction is essential for protein homology modeling and protein design. Current widely-adopted methods use physics-based energy functions to evaluate side chain conformation. Here, using a deep neural network architecture without physics-based assumptions, we have demonstrated that side chain conformation prediction accuracy can be improved by more than 25%, especially for aromatic residues compared with current standard methods. More strikingly, the prediction method presented here is robust enough to identify individual conformational outliers from high resolution structures in a protein data bank without providing its structural factors. We envisage that our amino acid side chain predictor could be used as a quality check step for future protein structure model validation and many other potential applications such as side chain assignment in Cryo-electron microscopy, crystallography model auto-building, protein folding and small molecule ligand docking.

研究の動機と目的

• 物理ベースのエネルギー関数に依存しないデータ駆動型のアミノ酸側鎖コンformation予測手法の開発。
• 特に芳香族アミノ酸のような困難な残基において、現在の標準的手法を上回る予測精度の向上。
• 構造的要因を用いないで、高分解能タンパク質構造におけるコンformationの外れ値を同定。
• タンパク質構造検証、クロイエム、シングルクリスタル結晶構造解析、リガンドドッキングへの実用的応用を可能にする。

提案手法

• 高分解能タンパク質構造を用いて、深層ニューラルネットワークアーキテクチャを訓練し、側鎖二面角を予測。
• 明示的なエネルギー関数の仮定を避けるために、配列および局所的構造的文脈からのエンドツーエンド学習を採用。
• 特徴量には局所的配列パターン、アミノ酸の種別、およびボイド骨格幾何学的特徴をネットワークの入力として使用。
• 大規模な実験的に決定された側鎖コンformationのデータセット上で、誤差逆伝播法および確率的勾配降下法を用いてネットワークを最適化。
• PDBにおける構造的外れ値を、実験的要因にアクセスせずに予測信頼性スコアを用いて同定。
• 多様なタンパク質フォールドおよびアミノ酸種別に一般化可能なアーキテクチャを設計。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、物理ベースのエネルギー関数を上回って、アミノ酸側鎖コンformationを予測できるか？
• RQ2 芳香族アミノ酸は従来、予測が困難であるが、このモデルはそのような残基においてどのように性能を示すか？
• RQ3 実験データにアクセスせずに、高分解能構造におけるコンformationの外れ値を同定できるか？
• RQ4 この手法は、タンパク質構造モデリングおよび検証をどの程度改善できるか？

主な発見

• 深層学習モデルは、標準的な物理ベースの手法と比較して、側鎖コンformation予測の精度を25%以上向上させた。
• 特に芳香族アミノ酸において、精度の向上が顕著に見られ、最も顕著な改善が得られた。
• B因子や分解能といった実験的要因にアクセスせずに、高分解能PDB構造におけるコンformationの外れ値を効果的に同定した。
• 多様なタンパク質フォールドおよびアミノ酸種別に安定した性能を示し、広範な適用可能性を示した。
• モデルの予測結果は、既知の立体化学的制約と整合しており、実験的構造と高い相関を示した。