[論文レビュー] Sequential Monte Carlo Methods for Protein Folding

Peter Grassberger|arXiv (Cornell University)|Aug 26, 2004

Machine Learning in Materials Science参考文献 8被引用数 5

ひとこと要約

本稿では、タンパク質折りたたみを模倣するヘテロポリマー・モデルの低エネルギー構造を効率的に特定するための新しい逐次モンテカルロ法、nPERMを提案する。重み付きサンプリングによるバイアス付き段階的成長と、重み付きリサンプリングによる集団制御を組み合わせることで、格子モデルにおいて従来のマルコフ連鎖モンテカルロ法や遺伝的アルゴリズムを上回り、フィボナッチ型鎖のような複雑な配列においてほぼ正確な基底状態に到達する。

ABSTRACT

We describe a class of growth algorithms for finding low energy states of heteropolymers. These polymers form toy models for proteins, and the hope is that similar methods will ultimately be useful for finding native states of real proteins from heuristic or a priori determined force fields. These algorithms share with standard Markov chain Monte Carlo methods that they generate Gibbs-Boltzmann distributions, but they are not based on the strategy that this distribution is obtained as stationary state of a suitably constructed Markov chain. Rather, they are based on growing the polymer by successively adding individual particles, guiding the growth towards configurations with lower energies, and using "population control" to eliminate bad configurations and increase the number of "good ones". This is not done via a breadth-first implementation as in genetic algorithms, but depth-first via recursive backtracking. As seen from various benchmark tests, the resulting algorithms are extremely efficient for lattice models, and are still competitive with other methods for simple off-lattice models.

研究の動機と目的

• タンパク質折りたたみの玩具的モデルとして用いられるヘテロポリマー・モデルにおける低エネルギー状態を探索する汎用アルゴリズムの開発。
• 詳細釣合の必要がないように、標準的なマルコフ連鎖モンテカルロ法の制限を克服し、局所的移動に依存しない。
• 格子モデルおよび非格子モデルの両方において、コンformational space の探索効率を向上させること、特に複雑なエネルギー障壁を持つ配列に対して。
• 遺伝的アルゴリズムやメトロポリスベースのモンテカルロ法と同等またはそれ以上の性能を示すスケーラブルで競争力のある代替手法を提供すること。

提案手法

• エネルギーのバイアスに従って低エネルギー構造を優遇するように、1モノマーずつ段階的にポリマーを成長させる深さ優先探索と再帰的バックトラッキング手法を用いる。
• 各ステップでバイアス補正用の重み係数を適用し、最終的な分布がギブス＝ボルツマン分布と整合するように保証する。
• 「ロシアルーレットと分割」を用いた集団制御を実装：低重みの構造は確率的に破棄または複製され、重みが調整されて統計的正確性を維持する。
• 本手法は、非マルコフ連鎖的で逐次的なサンプリングに適応した、PERM（Pruned Enriched Rosenbluth Method）の修正版を用い、ここではnPERMとして名称を変更している。
• 詳細釣合を回避し、マルコフ連鎖の定常性に依存しない。代わりに、重みの動的スケーリングを伴う段階的構造生成を行う。
• ベンチマークのため、固定結合長とLennard-Jones型相互作用を用いた2次元および3次元の玩具的モデルを用い、ヒドロフィル的（A）と極性（B）モノマーからなるフィボナッチ配列を対象とする。

実験結果

リサーチクエスチョン

• RQ1 逐次的かつ非マルコフ連鎖的なモンテカルロ法は、ヘテロポリマーの低エネルギー構造を探索する際、標準的なメトロポリスベースのアルゴリズムを上回ることができるか？
• RQ2 重み付きリサンプリングによる集団制御は、逐次的ポリマー成長中に正しい統計的重みを維持するのにどの程度有効か？
• RQ3 正確な解が既知の格子モデルにおいて、この手法が複雑な疎水性コア形成を示す配列に対して、どの程度の精度で基底状態を特定できるか？
• RQ4 フィボナッチ型タンパク質様配列に対するベンチマークにおいて、nPERMは遺伝的アルゴリズムや他のヒューリスティック手法と比較してどの程度の性能を示すか？
• RQ5 この手法は非格子モデルおよび最終的には溶媒化タンパク質に拡張可能か？ ここで従来のモンテカルロ法が困難を示す領域においても。

主な発見

• 2次元フィボナッチ鎖（N=55）において、本手法はエネルギーE = -18.515の基底状態を特定した。これは先行研究[44]で報告されたE = -14.41よりも顕著に低い値である。
• 2次元および3次元の両方において、N=55までのフィボナッチ配列に対して、本手法は構造的でランダムでない配列においても、妥当な基底状態を的確に特定した。
• 格子モデルにおいて、nPERMは遺伝的アルゴリズムおよび標準的なメトロポリス型モンテカルロ法を上回り、正確な列挙手法に近い性能を示した。
• 本手法により、長い鎖においてはAとBモノマーが交互に配置されるため、疎水性コアが接続されていないことが判明し、実際のタンパク質のモデルとしては不適切であることが明らかになった。
• 非格子モデルにおいても、nPERMは現代のマルコフ連鎖法と同等の性能を示したが、まだ優れているとは言えない。今後の最適化の余地がある。
• 本研究では、nPERMをマルチカノニカル法やアンブレラ・サブミング技術と組み合わせることで、複雑なエネルギー障壁を持つ系においてさらなる性能向上が可能になる可能性があると示唆している。