構造情報に基づく蛋白質の複合体形成部位の大規模分類手法の開発と予測構造への展開

基于结构信息的蛋白质复合物形成位点大规模分类方法的开发及其在预测结构中的应用

• 批准号: 19J00950
• 负责人: 中村 司
• 金额: $ 3.08万
• 依托单位: Tohoku University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2019
• 资助国家: 日本
• 起止时间: 2019-04-25 至 2022-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-19J00950/
• 关键词: 蛋白質; 蛋白質間相互作用; 蛋白質相互作用部位; 蛋白質立体構造予測

今年度は，昨年度行ったSE(3)-Transformerモデルの蛋白質複合体形成部位データへの適用法についての検討を踏まえ，これを大規模データへと実際に適用するとともに，E(n)-Equivariant Graph Neural Networksモデルを用いる形へと手法を拡張した．また，予測立体構造に対する特徴量の生成を行った．SE(3)-TransformerやE(n)-Equivariant Graph Neural Networksなどは，3次元点群から構築されるグラフのように，各ノードが座標情報を持つ連結グラフを入力として想定している深層学習モデルの一つである．これらのモデルでは，入力の3次元回転並進変換に対して同変性が保証されており，安定した特徴量計算が可能となっている．データセットとしては，Protein Data BankにBiological Unitとして登録されている蛋白質複合体構造を用い，複合体形成面の残基ペアの各周囲を切り出した部分構造ペアを正例，複合体形成面ではない構造表面残基の各周囲を切り出した部分構造ペアを負例としたデータを用い，学習・評価を行った．構造データは原子種及び座標値の3次元点群であるが，ここに原子間の化学結合に基づきエッジを張ることで座標情報を含むグラフ構造とした．また，昨年度取り組んだ蛋白質の立体構造予測において用いた手法とその結果についての個別の具体例についてもまとめた．

Our は, yesterday's annual line っ た SE (3) - Transformer モ デ ル の protein complexes formed parts デ ー タ へ の applicable law に つ い て の 検 please tread を ま え, こ れ を large-scale デ ー タ へ と be interstate に applicable す る と と も に, E(n)-Equivariant Graph Neural Networksモデ を を を using the へと method を拡 た. Youdaoplaceholder0, the tested three-dimensional structure に generates を rows った against the する characteristic quantities <s:1>. SE(3)-TransformerやE(n)-Equivariant Graph Neural Networksな ら, 3d point group ら ら construction されるグラフ ように ように Each ノ ー ド が coordinates intelligence を hold つ link グ ラ フ を と into force し て scenarios し て い る deep learning モ デ ル の a つ で あ る. こ れ ら の モ デ ル で は, の 3 dimensional planning in hand back into force variations in に し seaborne て same - sex が guarantee さ れ て お り, settle し た 徴 amount computed が may と な っ て い る. デ ー タ セ ッ ト と し て は, Protein Data Bank に in Unit と し て login さ れ て い る Protein complex tectonic を い, complex formation surface の residues ペ ア の each week 囲 を り cutting out し た partially constructed ペ ア を is example, Complex formation surface で は な い structure surface residue の each week 囲 を り cutting out し た partially constructed ペ ア を negative example と し た デ ー タ を い, learning, evaluation of 価 を line っ た. Tectonic デ ー タ は atomic species and び coordinates numerical の 3 dimensional point group で あ る が, こ こ に の chemical combination between atoms に base づ き エ ッ ジ を zhang る こ と で coordinates intelligence を containing む グ ラ フ tectonic と し た. ま た, yesterday's annual group take り ん の だ protein three-dimensional structure can be に お い て in い た gimmick と そ の results に つ い て の の specific individual cases に つ い て も ま と め た.

项目成果

SE(3)-Transformerを用いた蛋白質間相互作用部位予測についての検討

利用SE(3)-Transformer进行蛋白质-蛋白质相互作用位点预测的研究

• 发表时间: 2021
• 作者: 関野裕太;西田祐介;中村司
• 通讯作者: 中村司

蛋白質ポケット部位の大規模比較手法の性能調査

蛋白质口袋位点大规模比较方法的性能研究

• 发表时间: 2019
• 作者: Kida Takumitsu;Hiejima Yusuke;Nitta Koh-hei;荒木 亮;中村司，富井健太郎
• 通讯作者: 中村司，富井健太郎

Towards protein interface prediction using SE(3)-Transformer

使用 SE(3)-Transformer 进行蛋白质界面预测

• 发表时间: 2021
• 作者: 西嶋遼;川勝泰二;門間卓也;Ryo ARAKI;Tsukasa Nakamura
• 通讯作者: Tsukasa Nakamura

Pfam事前学習モデルを用いた転移学習によるタンパク質の機能アノテーション予測

使用 Pfam 预学习模型通过迁移学习预测蛋白质功能注释

• 发表时间: 2020
• 作者: 西嶋 遼;川勝 泰二;Saeko Terada;中村 司，木下賢吾
• 通讯作者: 中村 司，木下賢吾

Prediction of Protein Functional Annotation Using Deep Neural Network with Transfer Learning from Pretrained Model with Pfam

使用深度神经网络通过 Pfam 预训练模型进行迁移学习来预测蛋白质功能注释

• 发表时间: 2020
• 作者: Tsukasa Nakamura;Kengo Kinoshita
• 通讯作者: Kengo Kinoshita