[논문 리뷰] 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 Chen외 1명|arXiv (Cornell University)|2019. 06. 11.

Protein Structure and Dynamics인용 수 6

한 줄 요약

이 논문은 단백질 접힘을 위한 고해상도 마르코프 상태 모델(MSM)을 구축하기 위한 비선형 특징 학습 프레임워크인 상태 무관 가역 VAMP넷(SRVs)을 소개한다. 기존의 TICA 대신 SRVs를 도입함으로써, 이론적 시간스케일 수렴 속도 향상, 입력 특징에 대한 강건성 향상, 짧은 레이그타임에서도 높은 동적 해상도 확보가 가능해졌으며, 트립토팬 케이지 접힘 동역학에서 이전에 보고되지 않은 일시적 중간체와 융해된 글로불러 허브를 밝혀냈다.

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.

연구 동기 및 목표

• TICA 대체를 통한 비선형 특징 학습을 통해 단백질 접힘의 마르코프 상태 모델(MSM)의 해상도와 강건성을 향상시키기.
• 입력 특징과 레이그타임 선택에 대한 민감성 문제를 해결하여, 동적 해상도와 수렴성의 제한을 완화하기.
• 딥러닝 기반의 집합 변수를 활용해 생체분자의 천천히 변하는 구조적 동역학을 고해상도로 모델링할 수 있도록 하기.
• 더 높은 시간 해상도를 통해 기존에 해소되지 않은 트립토팬 케이지 미니단백질의 접힘 중간체와 동적 경로를 밝혀내기.
• SRVs가 MSM 파ip라인 내에서 TICA의 모듈러리티 높고 고성능 대체재로 활용될 수 있음을 입증하기.

제안 방법

• 전이 연산자의 가장 느린 고유함수를 근사하는 비선형 집합 변수를 학습하기 위해, 변동성 접근법에 기반한 상태 무관 가역 VAMP넷(SRVs)이라는 딥러닝 프레임워크를 사용한다.
• 변동성 문제의 최적 비선형 기저 집합을 학습하기 위해, 쌍두 루프 신경망을 사용하고, VAMP-2 점수를 손실 함수로 활용한다.
• TICA 투영 좌표 대신 SRV 좌표를 입력 특징으로 사용하여, 직접적으로 느린 동적 모드를 모델링할 수 있도록 MSM을 구축한다.
• SRV 투영 공간에 PCCA++ 클러스터링을 적용하여 거시상태를 정의하고, 전이 확률 및 음의 시간스케일을 계산한다.
• 교차검증을 통해 모델을 검증하고, 테스트 VAMP-2 점수와 수렴 행동을 비교하여 TICA 기반 MSM과의 성능을 평가한다.
• 미세상태 전이 행렬과 고유값 스펙트럼을 분석하여, 안정한 상태와 동적 경로를 식별한다.

실험 결과

연구 질문

• RQ1 SRVs는 수렴 속도 향상과 더 높은 동적 해상도를 제공함으로써 TICA를 초월하는 MSM 구축 성능을 보일 수 있는가?
• RQ2 트립토팬 케이지 접힘에서 펴진 상태 집합은 어떤 역할을 하는가? 그리고 접힘 상태로의 전이를 매개하는 중심성 있는 동적 허브를 포함하는가?
• RQ3 SRV-MSMs는 기존의 저해상도 모델이 감지하지 못한, 트립토팬 케이지 접힘에서의 임시 중간체를 해소할 수 있는가?
• RQ4 입력 특징의 선택이 MSM의 강건성과 성능에 미치는 영향은 무엇이며, SRVs는 이러한 민감성을 완화할 수 있는가?
• RQ5 트립토팬 케이지의 주요 접힘 경로와 동적 메커니즘은 무엇이며, 이는 RMSD 또는 TICA 기반의 이전 모델과 어떻게 비교되는가?

주요 결과

• SRV-MSMs는 테스트 VAMP-2 점수의 변동성이 낮고 음의 시간스케일 수렴 속도가 더 빠르며, TICA-MSMs에 비해 성능과 강건성이 뛰어나다는 것을 보여주었다.
• 펴진 상태 집합은 접힘 상태와 부분적으로 접힌 구조로의 전이를 매개하는 중심성 있는 동적 허브로, 융해된 글로불러 상태로 확인되었다.
• 아홉 개의 거시상태 모델은 이전에 보고되지 않은 짧은 수명을 가진 중간 상태인 $\mathcal{S}_0$를 드러내었으며, 이는 부분적으로 접힌 $3_{10}$-helix를 지니고 있으며 접힘 과정에서 핵심적인 안정 상태로 작용한다.
• 접힘은 주로 융해된 글로불러 허브를 통해 핵형-응집 메커니즘으로 진행되며, 천연 상태로 직접 접히거나 $\mathcal{S}_0$와 비천연 $3_{10}$-helix를 지닌 다른 중간체를 거쳐간다.
• 주요 접힘 경로는 $3_{10}$-helix 접힘 이전에 수소결합 핵과 N-말단 $\alpha$-helix 형성이 일어나며, 이는 융해된 글로불러 메커니즘과 일치한다.
• 시뮬레이션 데이터는 최대 아홉 개의 통계적으로 안정된 거시상태를 지닌다며, 이는 더 높은 해상도의 접힘 경로 분석이 현재 범위를 초월한 마이크로상태 수준의 분석 또는 경로 샘플링이 필요함을 시사한다.