[論文レビュー] Protein Models Comparator: Scalable Bioinformatics Computing on the Google App Engine Platform

Paweł Widera, Natalio Krasnogor|arXiv (Cornell University)|Feb 21, 2011

Protein Structure and Dynamics参考文献 19被引用数 4

ひとこと要約

本論文では、RMSD、GDT_TS、TMスコア、Qスコアを用いたタンパク質構造モデルの高スループット比較を可能にするスケーラブルなウェブアプリケーション「Protein Models Comparator (pm-cmp)」を紹介する。Google App Engine 上に構築されたこのアプリケーションは、クラウドベースの並列処理とアクセス可能なRESTライクAPIを活用し、数千個のモデルを自動的かつ分散的に比較する仕組みを提供し、タンパク質構造予測における大規模なモデル評価における重要な空白を埋める。

ABSTRACT

The comparison of computer generated protein structural models is an important element of protein structure prediction. It has many uses including model quality evaluation, selection of the final models from a large set of candidates or optimisation of parameters of energy functions used in template-free modelling and refinement. Although many protein comparison methods are available online on numerous web servers, they are not well suited for large scale model comparison: (1) they operate with methods designed to compare actual proteins, not the models of the same protein, (2) majority of them offer only a single pairwise structural comparison and are unable to scale up to a required order of thousands of comparisons. To bridge the gap between the protein and model structure comparison we have developed the Protein Models Comparator (pm-cmp). To be able to deliver the scalability on demand and handle large comparison experiments the pm-cmp was implemented "in the cloud". Protein Models Comparator is a scalable web application for a fast distributed comparison of protein models with RMSD, GDT TS, TM-score and Q-score measures. It runs on the Google App Engine (GAE) cloud platform and is a showcase of how the emerging PaaS (Platform as a Service) technology could be used to simplify the development of scalable bioinformatics services. The functionality of pm-cmp is accessible through API which allows a full automation of the experiment submission and results retrieval. Protein Models Comparator is free software released on the Affero GNU Public Licence and is available with its source code at: http://www.infobiotics.org/pm-cmp This article presents a new web application addressing the need for a large-scale model-specific protein structure comparison and provides an insight into the GAE (Google App Engine) platform and its usefulness in scientific computing.

研究の動機と目的

• 大規模なタンパク質構造モデルの比較を可能にするスケーラブルなツールの不足に対処し、モデル品質の評価と選定に不可欠である。
• 1:1 または 1:PDB 比較のみをサポートする既存のウェブサーバーの限界を克服し、大規模な実験における自動化を実現する。
• クラウドインfraストラクチャの自動水平スケーリングを活用して、数千個のモデルの効率的かつ分散型の比較を可能にする。
• オープンソースで無料のソリューションを提供し、公開されたソースコードとアクセス可能なAPIを備えることで、バイオインフォマティクス研究における再現性と拡張性を支援する。
• Google App Engine などのプラットフォーム・ツールとしてのPaaSモデルが、構造生物学における科学的計算に実用的であることを実証する。

提案手法

• Google App Engine (GAE) 上にクラウドネイティブなウェブアプリケーションを実装し、モデル比較の分散タスク実行と動的スケーリングを可能にする。
• RESTライクAPIを用いて、実験の送信と結果の取得を完全に自動化し、プログラムによるアクセスを可能にする。
• 個々のタンパク質構造ファイル（例：PDB形式）をGAEのデータストアに直接格納・処理し、Uploadifyライブラリを介して複数ファイルのアップロードを可能にする。
• 不完全または切断された構造に対応するため、モデル間の最大共通リジッド残基部分集合上で対比較を実施し、完全な構造アラインメントを回避する。
• アラインされたリジッド対応ペアに対して、標準的な構造類似度指標（RMSD、GDT_TS、TMスコア、Qスコア）を適用し、モデル類似度を定量化する。
• タスクサイクルとバックグラウンド処理を用いて、GAEの実行時間およびリソース制限内での大規模計算を管理する。

実験結果

リサーチクエスチョン

• RQ1 Google App Engine などのクラウドベースのPaaSプラットフォームは、数千個のタンパク質構造モデルの高スループットかつ分散型比較を効果的にサポートできるか？
• RQ2 同じタンパク質のモデル同士は同一のアミノ酸配列を持つため、手動によるアラインメントなしに、どのようにして自動的かつスケーラブルなモデル比較を実現できるか？
• RQ3 既存のウェブベースのタンパク質比較ツールは、スケールでのモデル対モデル比較に最適化された目的特化型システムによって、どの程度適応可能または置き換え可能か？
• RQ4 GAEの制限（例：直接のファイルシステムアクセス不可、タスク実行時間制限）を克服するための、どのようなアーキテクチャパターンと実装戦略が必要か？
• RQ5 完全なAPI公開を伴うオープンソースで無料のソフトウェアは、大規模なタンパク質構造予測パイプラインにおける再現性と拡張性をどのように向上させるか？

主な発見

• タンパク質モデル比較器（pm-cmp）は、Google App Engine プラットフォーム上でRMSD、GDT_TS、TMスコア、Qスコア指標を用いて、スケーラブルかつ分散型のモデル比較を成功裏に実現した。
• GAEのデータストレージおよびタスク実行の自動スケーリング機能を活用することで、数千個のモデルの自動的かつ高スループットな比較が可能になった。
• RESTライクAPIの使用により、実験の送信と結果の取得が完全にプログラム可能となり、再現性の向上と大規模なワークフローへの統合が促進された。
• GAEの制限（直接のファイルシステムアクセス不可、タスク実行時間の上限）にもかかわらず、タスクサイクルと効率的なデータ処理により、大規模計算を効果的に管理できた。
• 本アプリケーションはアフィリエイトGPLライセンスの下で無料ソフトウェアとして提供され、ソースコードは公開されており、コミュニティによる検査、改変、およびAppScaleやTyphoonAEなどの代替プラットフォームへのデプロイが可能である。
• アーキテクチャ的制約を的確に処理すれば、PaaS環境が構造生物学における科学的計算の分野で実用的であることが本プラットフォームによって示された。