[논문 리뷰] Machine Learning Coarse-Grained Potentials of Protein Thermodynamics

M. W. Majewski, Adrià Pérez외 8명|arXiv (Cornell University)|2022. 12. 14.

Protein Structure and Dynamics인용 수 5

한 줄 요약

이 논문은 12개의 다양한 단백질에 대한 9ms의 비편향 전원자 분자 동역학 시뮬레이션을 기반으로 훈련된 기계학습 기반의 군집화된(또는 거친) 잠재력(포텐셜)을 소개한다. 이 방법은 동역학을 1,000배 이상 가속화하면서도 열역학 상태를 유지하고, 단일 통용 가능한 잠재력으로 여러 단백질에 걸쳐 천연 및 돌연변이 단백질 구조의 정확한 샘플링을 가능하게 한다.

ABSTRACT

A generalized understanding of protein dynamics is an unsolved scientific problem, the solution of which is critical to the interpretation of the structure-function relationships that govern essential biological processes. Here, we approach this problem by constructing coarse-grained molecular potentials based on artificial neural networks and grounded in statistical mechanics. For training, we build a unique dataset of unbiased all-atom molecular dynamics simulations of approximately 9 ms for twelve different proteins with multiple secondary structure arrangements. The coarse-grained models are capable of accelerating the dynamics by more than three orders of magnitude while preserving the thermodynamics of the systems. Coarse-grained simulations identify relevant structural states in the ensemble with comparable energetics to the all-atom systems. Furthermore, we show that a single coarse-grained potential can integrate all twelve proteins and can capture experimental structural features of mutated proteins. These results indicate that machine learning coarse-grained potentials could provide a feasible approach to simulate and understand protein dynamics.

연구 동기 및 목표

• 다양한 시스템에서 단백질 열역학을 정확하게 재현할 수 있는 일반화 가능한, 데이터 기반의 군집화된 잠재력 개발
• 천천히 변화하는 구조적 전이와 준안정 상태를 샘플링하는 데 있어 전원자 분자 동역학의 계산적 제약 극복
• 단일 통용 가능한 군집화된 잠재력으로 단일 단백질의 접힘과 돌연변이 효과를 효율적으로 시뮬레이션 가능하게 하기
• 학습된 군집화된 잠재력이 전원자 시뮬레이션과 동일한 수준의 열역학 정확도로 천연 및 비천연 구조적 상태를 모두 포착하는지 검증하기

제안 방법

• 12개의 다양한 2차 구조를 가진 단백질의 광범위한 전원자 분자 동역학 시뮬레이션에서 기계학습 기반의 군집화된 잠재력을 학습하기 위해 인공 신경망을 활용한다.
• 광범위한 구조적 샘플링을 보장하기 위해 약 9ms의 비편향 전원자 시뮬레이션 데이터셋을 생성하여 군집화된 잠재력 훈련에 사용한다.
• 군집화된 잠재력은 통계역학에 기반하며 전원자 시스템의 자유 에너지 표면을 재현하도록 훈련된다.
• 12개 단백질의 데이터를 모두 활용해 단일 통용 가능한 군집화된 잠재력이 훈련되어 다양한 단백질 유형 간의 이식 가능성을 확보한다.
• 모델은 원자 수준의 세부 정보를 군집화된 구슬로 압축하면서도 핵심 열역학적 특성을 유지하는 단백질 구조의 압축 표현을 사용한다.
• 시뮬레이션은 세 자리 수 이상의 가속도를 확보하여 구조적 군집의 효율적 탐색이 가능하다.

실험 결과

연구 질문

• RQ1 단일 기계학습 기반의 군집화된 잠재력이 다양한 단백질의 열역학을 정확하게 재현할 수 있는가?
• RQ2 전원자 시뮬레이션과 비교해 볼 때, 군집화된 모델이 준안정 상태의 상대적 분포와 자유 에너지 표면을 얼마나 잘 유지하는가?
• RQ3 통용 가능한 군집화된 잠재력이 접힘 경로나 안정성을 변화시키는 돌연변이에 의해 유도된 구조적 변화를 포착할 수 있는가?
• RQ4 정확한 관련 구조적 상태 샘플링을 유지하면서 군집화된 모델이 얼마나 빠른 동역학을 제공할 수 있는가?
• RQ5 모델이 실험 결정 구조에서 최소한의 편차로 천연 거대상태를 식별하고 샘플링할 수 있는가?

주요 결과

• 기계학습 기반의 군집화된 잠재력은 단백질 동역학을 1,000배 이상 가속화하면서도 전원자 시스템의 열역학을 유지한다.
• 군집화된 시뮬레이션은 전원자 시뮬레이션과 동일한 구조적 상태를 정확히 식별하고 샘플링하며, 자유 에너지 차이도 유사하게 재현한다.
• 12개의 다양한 단백질에서 훈련된 단일 통용 가능한 군집화된 잠재력은 천연 및 비천연 상태를 포함해 각 단백질의 구조적 및 열역학적 특성을 성공적으로 포착한다.
• 모델은 단일점 돌연변이 및 삽입을 포함한 돌연변이 단백질의 실험적 구조적 특성을 정확히 재현한다.
• 돌연변이 단백질의 경우, 군집화된 시뮬레이션은 결정 구조에서 평균 1.5 Å 이내의 RMSD로 천연 거대상태를 회복하며, 천연 상태는 높은 평형 확률(일부 경우 80% 이상)을 보인다.
• 모든 시험한 단백질에서 모델은 천연 거대상태를 가장 낮은 자유 에너지 상태로 식별하며, 실험적 기대와 일치한다.