[논문 리뷰] Prediction of amino acid side chain conformation using a deep neural network

Ke Liu, Xiangyan Sun외 8명|arXiv (Cornell University)|2017. 07. 26.

Protein Structure and Dynamics참고 문헌 17인용 수 12

한 줄 요약

이 논문은 고해상도 구조에서 에너지 함수에 의존하지 않고 학습함으로써, 전통적인 물리기반 방법보다 25퍼센트 이상 정확도가 높은 아미노산 측쇄 구조를 예측하는 딥 뉴럴 네트워크를 소개한다. 특히 허브로식 잔기에서 뛰어난 성능을 보이며, 구조적 이상치를 식별하고 단백질 모델링, 냉동전자현미경(cryo-EM), 약물 도킹 등에 적용할 수 있다.

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.

연구 동기 및 목표

• 물리기반 에너지 함수에 의존하지 않고 데이터 기반의 아미노산 측쇄 구조 예측 방법을 개발하는 것.
• 특히 아로마틱 잔기와 같이 예측이 어려운 잔기들에 대해 현재 표준 방법을 초월하는 정확도를 향상시키는 것.
• 구조적 요소를 사용하지 않고도 고해상도 단백질 구조에서 구조적 이상치를 식별하는 것.
• 단백질 구조 검증, 냉동전자현미경(cryo-EM), 결정학, 리간드 도킹 등 실용적 응용을 가능하게 하는 것.

제안 방법

• 측쇄 회전각을 예측하기 위해 고해상도 단백질 구조 데이터를 기반으로 딥 뉴럴 네트워크 아키텍처를 훈련시켰다.
• 명시적인 에너지 함수 가정 없이 시퀀스와 국소 구조적 맥락에서의 엔드 투 엔드 학습을 사용했다.
• 입력으로 국소 시퀀스 패tern, 잔기 종류, 배경 구조 기하학을 포함한 특징를 사용했다.
• 대규모 실험적 측쇄 구조 데이터셋을 기반으로 역전파 및 확률적 경사하강법을 사용해 네트워크를 최적화했다.
• 예측 신뢰도 점수를 활용해 실험적 요소에 접근하지 않고도 PDB에서 구조적 이상치를 탐지했다.
• 다양한 단백질 접힘 구조와 잔기 유형에 일반화될 수 있도록 아키텍처를 설계했다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크가 측쇄 구조 예측에서 물리기반 에너지 함수를 능가할 수 있는가?
• RQ2 이 모델은 기존에 예측이 어려운 아로마틱 잔기에서 어떻게 성능을 발휘하는가?
• RQ3 실험 데이터를 사용하지 않고도 고해상도 구조에서 구조적 이상치를 탐지할 수 있는가?
• RQ4 이 방법이 단백질 구조 모델링 및 검증을 어느 정도 향상시킬 수 있는가?

주요 결과

• 딥 러닝 모델은 표준 물리기반 방법 대비 측쇄 구조 예측 정확도를 25퍼센트 이상 향상시켰다.
• 특히 아로마틱 잔기에서 정확도 향상이 두드러져 가장 뚜렷한 성과를 보였다.
• B-인자나 해상도와 같은 실험적 요소에 접근하지 않고도 고해상도 PDB 구조에서 구조적 이상치를 성공적으로 식별했다.
• 다양한 단백질 접힘 구조와 잔기 유형에 걸쳐 뛰어난 견고성을 보이며 광범위한 적용 가능성을 입증했다.
• 모델의 예측 결과는 알려진 입체화학적 제약 조건과 일치했으며, 실험적 구조와 높은 상관관계를 보였다.