Machine-learning prediction of the protein plasticity regions related to denaturation and aggregation

点击翻译按钮获取中文摘要

1）可塑性領域予測モデルの構築予測モデル中の各アミノ酸残基の溶媒アクセス可能表面積（SASA）を求めるアルゴリズムを検討し、Pythonと相性が良いFreeSASA(Simon Mitternacht (2016))を計算に使用し、結晶構造PDBファイルを用いて結晶構造モデルとAlphafold2モデルのSASA差を計算で求められるようにした。現在、各アミノ酸残基のSASAの差と各アミノ酸残基の疎水性、極性との相関を予測する機械学習モデルについて基本設計を行なっている。2）モデルタンパク質の変異体構築と構造解析強化学習のための酵素変異体ライブラリーを作製した。ニワトリ由来のオボアルブミン(OVA)の人工遺伝子を発現プラスミドに組み込み、error-prone PCR法を用いてオボアルブミン遺伝子にランダムに変異を導入し、26変異体遺伝子ライブラリーを構築した。微量精製した酵素について、熱安定性の指標であるTm値　を測定した結果、42.1℃から67.1℃と最大25℃差であった。ただし、一部の変異体についてゲル化しやすく、アフィニティ精製が困難であった。ゲル化は興味深い現象だが、プログラム構築に必要なモデルタンパク質としては、必要数のデータを得るのに多くの時間が必要となる。そこで、OVAは強化学習に用いることとし、初期モデル酵素を好熱性放線菌Thermobifida fusca AHK119由来クチナーゼ(CutA、ポリエステルヒドロラーゼ)に変更した。OVAと同様にして36変異体酵素を作製し、Tm値が52.8℃から65.8℃の変異体からなる酵素ライブラリーを得た。得られた酵素について順次精製および結晶化を開始した。現在、得られた2変異体酵素についてX線結晶構造解析を行なっている。