新しい機械学習アプローチは、タンパク質中の金属酵素の検出に優れている

新しい機械学習アプローチは、タンパク質中の金属酵素の検出に優れている 化学

ローレンス – 昨シーズン、カンザスシティ・チーフスのクォーターバックであるパトリック・マホームズは、66.3%のパス成功率を誇っていました。

これは、カンザス大学で開発された機械学習モデルで、マホームズにちなんで名付けられたものです。このモデルは、より効果的で環境に優しく、安価な薬物療法やその他の工業製品の開発につながる可能性があります。

MAHOMES(Metal Activity Heuristic of Metalloprotein and Enzymatic Sites)は、カンザスシティ・チーフスのクォーターバックに敬意を表して名付けられた機械学習モデルで、より効果的で環境に優しく、安価な薬物療法やその他の工業製品につながる可能性があります。MAHOMESは、ワイドレシーバー1ワイドレシーバー は、アメリカンフットボール、カナディアンフットボールの攻撃のポジションである。をターゲットにする代わりに、タンパク質中の酵素金属と非酵素金属を92.2%の精度で区別します。KU(カンザス大学)のチームは最近、この機械学習による酵素の区別に関する成果をNature Communicationsに発表しました。

KUの分子生物学・計算生物学准教授である対応著者のジョアンナ・スラスキー氏は、「酵素は、すべての化学反応を行う非常に興味深いタンパク質です。体内に入ってきたものはすべて、体内で分解され、新しいものに作り変えられますが、その分解と新しいものへの作り変えのプロセスは、すべて酵素によるものです。」と述べています。

カンザス大学分子生物学・計算生物学准教授のジョアンナ・スラスキー氏

カンザス大学分子生物学・計算生物学准教授のジョアンナ・スラスキー氏。©Meg Kumin

スラスキー氏と、彼女の研究室の大学院生の共同研究者であるライアン・フィーハン氏(MAHOMESと名付けたチーフスファン)と、KUのCenter for Computational Biologyのメーガン・フランクリン氏は、コンピュータを使って、化学反応を行わない金属タンパク質2構成成分として金属を含むタンパク質。多くのタンパク質が知られており、内部の金属イオンがタンパク質の活性の中心となる場合が多い。ヘモグロビンなど。メタロプロテインとも言う。と、驚異的なパワーと効率で化学反応を促進する金属酵素を区別しようと考えました。

問題は、金属タンパク質と金属酵素は多くの点で同じであるということです。

「酵素がどのように機能しているのか、人々は正確には知らないのです。どんな酵素でも、”この水素を抜いて-OH基をつける “とか、そういうことはできます。しかし、見たこともないようなタンパク質を与えて、『どちらが上ですか?と聞かれても、科学者としてはもちろん、酵素学者としても、おそらく答えられないでしょう。鍵となるのは、酵素の約40%が触媒作用に金属を使用していることです。つまり、タンパク質が金属と結合し、変化するものがその活性部位に入ってきて変化するのです。私の研究室では、酵素サイトを類似の非酵素サイトと区別するのに非常に有効な機械学習に興味があるので、この金属結合タンパク質と金属酵素(金属を結合している酵素)は、私たちにとって非常に大きなチャンスだと考えています。」とスラスキー氏は言います。

共同研究者のフィーハン氏は、KUの学部生時代に、酵素および非酵素の金属結合部位に関する世界最大の構造データセットの作成に着手し、その作業は大学院生になってからも続けられました。そして、そのデータセットをGithub上で他の研究者が自由に利用できるようにしたのです。

「構造データを入手するのは非常に困難です。しかし、物理学や化学がどのようなものか、原子がどこにあるのか、その関係性の中で何ができるのかに興味があるのなら、タンパク質の構造が必要です。この研究で大変だったのは、酵素部位の構造を大量に入手し、それが酵素部位であることを知った上で、金属を結合している非酵素部位を大量に入手し、それが酵素ではないことを知った上で、膨大な構造データベースからそれらを探し出すことでした。」

フィーハン氏は、何千ものユニークな活性金属結合部位と不活性金属結合部位を見つけることができ、次にこの2つを区別する機械学習アプローチをテストしました。そのために、フィーハン氏とフランクリン氏は、コンピューター学習モデル(MAHOMES)を用いて、タンパク質の裂け目を調べ、その裂け目が化学反応を起こすかどうか(つまり、酵素であるかどうか)を予測するように訓練しました。MAHOMESは、物理化学的な特徴に注目することで、活性部位と不活性部位の見分け方について、精度92.2%、再現率90.1%を達成した。

スラスキー氏は、このアプローチが、生命を救う薬物療法やその他の多くの工業プロセスの生産に、酵素をより役立たせるための重要なステップになるだろうと述べています。実際、KUチームが開発したアプローチは、酵素の設計方法に革命をもたらす可能性もあります。

彼女は、「この方法が合成法全般を変えることを期待しています。環境への影響が少なく、より安価な医薬品が作られるようになることを期待しています。現在、製薬会社の合成は環境に多大な影響を与えていますが、それを低減できれば素晴らしいと思います。しかし、一般的にはどの業界でも合成は行われています。ペンキを作るには合成が必要です。例えば繊維製品など、あらゆるものが化学物質でできています。綿花を収穫しても、最終的にはその綿花に特定の素材特性を持たせてから販売することになりますが、そのためには化学物質が必要です。酵素による合成が増えれば増えるほど、また企業が酵素による合成を簡単に行えるようになればなるほど、より安く、より環境に優しいものになるでしょう。」と語ります。

スラスキー氏によれば、機械学習の研究は3つの路線で続けられると言います。

「第1に、機械学習のアプローチをもう少しうまく機能させようとしています。2つ目は、機械学習を使って酵素の設計を始めていること。そして3つ目は、金属を結合しない酵素にも適用したいということです。酵素の活性部位の40%には金属が結合しています。残りの60%についてもやってみましょう。残りの60%について適切な比較セットを見つけることは、私の研究室の別の大学院生が取り組んでいるプロジェクトです。」

Published by University of Kansas, Journal : Nature Communications, DOI: 10.1038/s41467-021-24070-3

 

コメント

タイトルとURLをコピーしました