論文タイトル
Accurate protein stability prediction for small domains using mega-scale experiments
出典
要旨
約180万件のタンパク質ドメインに対して実験的にフォールディング安定性（ΔG）を測定し、その大規模データを用いて絶対安定性を予測する機械学習モデル「SaProtΔG」「ESM3ΔG」を構築しています。
解説など
タンパク質の「フォールディング安定性（folding stability）」は、タンパク質がどれくらい安定して折りたたまれた状態を保てるかを表す重要な物理量です。多数のエネルギー項の微妙なバランスで決まるため、単純な物理モデルでは扱いが難しいタンパク質安定性を予測することが本研究の目的です。
今回の研究の大きな特徴は、「まず圧倒的に大量の実験データを作った」ことです。著者らは以前開発した「cDNA display proteolysis」という手法を利用し、MGnifyメタゲノムデータベース由来の小型タンパク質ドメインを大量解析しました。
このデータセットには以下が含まれます。
- 約180万件の安定性測定
- 20万以上の配列クラスター
- 点変異、挿入、欠失変異
- 60–80残基の多様なタンパク質ドメイン
実験では、異なる濃度のプロテアーゼでタンパク質を処理し、どれくらい切断されにくいかをDNAシーケンスで読み出しています。切断されにくいほど、折りたたみ構造が安定であると解釈されます。
特に重要なのは、「均一条件で測定された大規模データ」である点です。測定値の再現性もかなり高く、
- trypsin/chymotrypsin間で Spearman 0.90
- 個別精製タンパク質との比較で Pearson r = 0.86
などが報告されています。
その後、この巨大データセットを使って、既存のタンパク質言語モデルを安定性予測用にfine-tuningしています。利用された主な基盤モデルは以下の２つです。
- SaProt
- ESM3
モデルには、タンパク質配列だけでなく予測構造情報も入力されています。さらに、単なる絶対安定性（ΔG）だけでなく、「変異による変化量（ΔΔG）」も同時学習しています。
結果として、
- Spearman相関 0.88
- RMSE 0.80 kcal/mol
という高精度を達成しています。
本手法の主な制約には以下が挙げられます。
- 学習対象は80残基以下
- 安定性範囲は約 -1〜5 kcal/mol
- ジスルフィド結合を持つ配列を除外
- protease法特有のバイアス
- 入力構造への依存性
特に「入力構造依存性」は重要です。このモデルは配列だけでなく構造も入力に使うため、与える構造状態によって安定性予測が変わる可能性があります。論文中では、異なるコンフォメーション状態に対して異なるΔGを予測できる例も紹介されています。
