Prediction and analysis of intrinsically disordered regions in membrane proteins

膜蛋白本质无序区域的预测和分析

• 批准号: 17F17050
• 负责人: 清水 謙多郎
• 金额: $ 1.41万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2017
• 资助国家: 日本
• 起止时间: 2017-10-13 至 2020-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-17F17050/
• 关键词: 天然変性; タンパク質; 深層学習; MoRF; PSSM

MoRFs（molecular recognition features）は、他分子との結合により、天然変性状態から非天然変性状態に遷移する領域で、細胞の分子相互作用ネットワークにおいて重要な役割を果たし、多くのヒトの疾患に関与する天然変性タンパク質（IDP）の重要な機能領域である。MoRFsの予測の大きな問題は、「明確な配列特徴がない」という点で、これに対しては、アミノ酸残基の特性に対して因子分析を適用するなど、特徴量の設計を工夫し、さらに深層学習を適用することで高感度の特徴の検出と高い予測精度の達成を目指した。我々は、まず、深層学習のCNN（convolutional neural network）を用いて、天然変性領域のアミノ酸配列からMoRFsを同定するシステムを開発した。学習する特徴量としては、PSSMと13種のAA Indexを用いた。MoRFsを含む421チェインと負例データからデータセットに対してAUC値で0.778という、従来のシステムより高い予測結果を得た。次に、集団学習を用いてMoRFsの予測精度のさらなる向上を図った。2つのCNNによる予測器（一つは、PSSMと22種の残基属性、もう一つは、PSSMと13種のAA indexを特徴量とする）、1次元CNNによる予測器とSVMによる予測器をあわせた4つの予測器による集団学習を行った。各予測器の結果は平均化によって集約した。特徴量は、どちらもPSSMと13種のAA indexを採用した。45個のMoRFsを含むテストデータセットと、膜タンパク質から生成した49個のMoRFsを含むテストデータセットを使用し性能評価を行ったところ、それぞれ、AUC値で0.795、0.776という結果であった。これらはどちらも、従来の手法に比べ、高い予測精度を達成している。本研究で開発したシステムは、Webで公開している。

MoRFs (molecular recognition features) are important functional domains related to the binding of other molecules, migration from natural to unnatural states, and molecular interactions between cells. The large problem of prediction of MoRFs is that the characteristics of specific allocation are not suitable for factor analysis. The design time of characteristics is not suitable for deep learning. The detection of characteristics with high sensitivity and the achievement of high prediction accuracy are indicated. The application of continuous neural network (CNN) in deep learning, the development of dynamic network in natural domain, and the coordination of MoRFs Learning characteristics and PSSM 13 AA Index MoRFs include 421 The accuracy of MoRFs prediction can be improved by group learning. 2. CNN-based sensors (22 residue attributes, 13 AA indexes), 1-dimensional CNN-based sensors, SVM-based sensors, 4-based sensors, set learning. The results of each predictor are averaged and concentrated. PSSM has 13 different AA indexes. 45 MoRFs were generated, 49 MoRFs were used, and AUC values were 0.795 and 0.776. The accuracy of this method is higher than that of the previous method. This study is open to the public.

项目成果

Identifying MoRFs in Disordered Protein Using Enlarged Conserved Features

使用扩大的保守特征识别无序蛋白质中的 MoRF

• DOI: 10.1145/3194480.3198908
• 发表时间: 2018
• 期刊: 2018 6th International Conference on Bioinformatics and Computational Biology
• 作者: Chun Fang;Yoshitaka Moriwaki;Daming Zhu;and K. Shimizu
• 通讯作者: and K. Shimizu