タンパク質の熱安定性予測の精度向上

私たちは、ドゥアン・ジアンシン博士と対談し、同氏の論文「単一点変異に対するタンパク質の熱安定性予測の精度向上」について、デュアン・ジアンシン博士にインタビューを行いました。

この研究を行った主な動機は何だったのか、教えてください。

タンパク質の機能は、その構造 （立体構造）や動的挙動と密接に関連しています。したがって、タンパク質の熱安定性を理解することは、その働きに関する根本的な知見をもたらします。例えば、単一アミノ酸置換変異はタンパク質の機能に直接影響を与え、疾患を引き起こす可能性があります。こうした変異の多くは、タンパク質の熱安定性と関連していることが判明しています。 また、実用的な観点から見ても、タンパク質の安定性工学はさまざまな産業で幅広く応用されています。例えば、ワクチンや抗体は、保存期間を長くし、凝集を防ぐように設計する必要があります。また、食品、洗剤、紙、燃料などに使用される工業用酵素は、所望の環境下で安定性を保ち、機能を維持できるように設計される必要があります。

ご存知の通り、当社の「FEP+ 」技術は、低分子創薬の推進において多大な成果を上げてきました。数多くの論文を発表しており、当社の創薬プロジェクトはすべて、従来のアプローチと比較して加速したペースでマイルストーンを達成しています。しかし、「FEP+ 」がバイオ医薬品に関わるプロジェクトをどの程度推進できるかについては、まだ十分に確立されていません。そこで、当社は「FEP+ 」がタンパク質の熱安定性を予測する上でどの程度の性能を発揮するかを具体的に検証するための研究を設計することにしました。 我々は、変異に伴うタンパク質の熱安定性の変化を予測し、タンパク質エンジニアリングプロジェクトの指針となり得る実用的な選択肢として、この技術を定量的および定性的に評価することを目指しました。

これまで、タンパク質を対象にFEPを用いた研究は行われていたのでしょうか？もしそうであれば、今回の研究はそれらとどのように異なるのでしょうか？

自由エネルギー摂動理論（FEP）を用いて、単一点変異がタンパク質の安定性に及ぼす影響を予測するという考え方は新しいものではありません。しかし、産業現場においてタンパク質の安定性を予測するための実用レベルの計算は、いくつかの重大な制約によりこれまで不可能でした。その制約には、バックボーンの結合トポロジーが変化するプロリンへの変異およびプロリンからの変異をモデル化できないことや、電荷変化を伴う変異のモデル化が複雑であることが含まれます。 本研究では、FEP+ のプロトコルを拡張し、これら2種類の変異を正確にモデル化できるようにした。さらに、FEP計算は計算負荷が高くなる可能性があるため、これまでの多くの研究ではシミュレーション時間が非常に短く、変異周辺の溶媒化も限定的であった。その結果、予測の精度が低下していた。アルゴリズムの改善とGPUのハードウェアの進歩により、SchrödingerのFEP+ は、現実的なスケジュール内でプロジェクトに有意義な成果をもたらすことができることを繰り返し実証している。

FEP+が、扱いが難しいプロリン変異や電荷変化を伴う変異に対してどのような性能を発揮するかを具体的に評価することを目的としていたため、結果を定量的に評価できるよう、テストシステムの選定には特に細心の注意を払いました。具体的には、野生型および変異体双方の高分解能結晶構造と、正確に測定された安定性データを含むデータセットを構築しました。 試験系の詳細については、論文をご参照ください。そして、安定性の変化に関する予測精度において、これまで数多くの低分子研究で観察されてきた結果と同等の精度を達成できたことを嬉しく思います。これは、FEP+ がバイオ医薬品の研究において、確かに適切な計算戦略であることを実証するものです。

タンパク質の熱安定性を予測する他の手法はありますか？もしあるとすれば、今回のFEP+ による結果とはどのように比較されるのでしょうか？

はい。タンパク質の安定性を正確に予測できることは非常に重要であるため、長年にわたりさまざまな手法が提案されてきました。そこで、我々はFEP+ による解析結果を、広く利用されているいくつかの手法と比較しました。

一目でわかるように、FEP+ は、シーケンス情報のみとすべての変異を学習データとして用いる機械学習モデルであるMUPROを除けば、他の一般的な手法をすべて定量的に上回っています。しかし、MUPROには学習データのバイアスが生じている可能性があるとの指摘があり、実際に、表にも示されている「精度」「感度」「特異度」といった定性的な指標を検証すると、その指摘が裏付けられます。

例を挙げて、これら3つの措置が何を意味するのか説明しましょう：

• もし実験の結果、100個の突然変異のうち90個が不安定化をもたらすことが判明し、ある人が「すべての突然変異が不安定化をもたらす」と当てずっぽうに推測した場合、
  • その場合、その推測の正答率は90％となるでしょう、
  • しかし、安定化変異を正しく同定 する能力を測る「感度」のスコアは0％となるでしょう、
  • また、特異性は100％であり、これは不安定化変異を正しく同定 する能力を測定するものです。

真に有用な分類ツールとするためには、3つの指標すべてにおいて一貫して高いスコアを示す手法が望ましい。例えば、FEP+ はその好例であり、他のすべての手法を明らかに上回っている。これに対し、MUPROは特異度では良好なスコアを示しているものの、その学習データセットの影響により、安定化変異の予測能力が低いというバイアスが生じており、感度が0.32と極めて低いことからもそれが示されている。

しかし、FEP+ は計算負荷が高いのではないでしょうか？発見プログラムを大幅に加速させるために、これをどの程度大規模に導入できるのでしょうか？

確かに、FEP+ を用いた研究には計算リソースが必要ですが、ソフトウェアのアルゴリズムの改善やGPUハードウェアの処理能力の絶え間ない向上のおかげで、FEP+ を用いた完全な解析は、実際のプロジェクトにおいても十分に実現可能となっています。 さらに、我々の論文で述べたように、BioLuminateアプリケーション内で利用可能な、計算効率がはるかに高い残基 スキャン（偽陽性が出やすい傾向がある）を活用し、さらなるFEP+ 解析へのフィルターとして機能するスクリーニングカスケードを考案しました。これにより、関連するすべての変異を迅速にスクリーニングし、安定化作用があると判明した変異のみをFEP+ に送り、FEP+ で同定 を行い、真陽性の可能性が最も高い変異を特定することが可能になります。

どれも非常に有望に聞こえますが、この技術をさらに強化・拡張する今後の計画はありますか？

はい、もちろん、この研究を通じて、タンパク質の展開状態をどのようにモデル化すれば、安定性の変化の予測精度をさらに高められるかなど、多くのことを学びました。また、結果を詳細に検証し、大きな構造変化を完全に捉えるために、より長いシミュレーションが必要となる可能性のあるケースを特定しました。今後もプロトコルを改良し続け、予測の処理能力と精度の両面においてパフォーマンスを向上させていきます。