Deep transfer learning for inter-chain contact predictions of transmembrane protein complexes

Deep transfer learning for inter-chain contact predictions of transmembrane protein complexes - Nature Communications

1. 本研究の学術的背景、研究課題の核心をなす学術的「問い」 細胞膜に存在する膜タンパク質は、人間の遺伝子の約4分の1を占めており、その構造予測や分子機構の理解には、膜タンパク質複合体の間の接触情報が重要となります。複数の深層学習手法が膜タンパク質の接触予測のために提案されていますが、膜を通過するタンパク質の数が限られているため、正確な予測は難しい課題となっています。ここで研究の主な「問い」は、この予測課題を解決する新たな深層学習手法を開発することです。
2. 本研究の目的及び学術的独自性と創造性 本研究の目的は、「DeepTMP」と名付けられた新たな深層転移学習手法を開発し、膜タンパク質複合体の間の接触を予測することです。その独自性と創造性は、非膜タンパク質の大規模なデータセットから事前に学習した知識を利用し、蛋白質言語モデルによって生成される共進化情報から正しい間接作用を捉える能力にあります。
3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけ これまでの研究では、深層学習を使用した接触予測手法がいくつか提案されてきましたが、その適用範囲は主に非膜タンパク質に限定的でした。そのため、膜タンパク質の接触予測は長い間課題とされてきました。本研究では、この課題を解決するために、蛋白質間の関係を改善する新たな手法を提案しました。
4. 本研究で何をどのように、どこまで明らかにした？ DeepTMPの開発により、共進化情報から細胞膜を通過するタンパク質複合体間の接触を予測することが可能になりました。52の自己結合膜タンパク質複合体のテストセットで評価したところ、DeepTMPは予測精度を大幅に改善し、既存の手法（DeepHomo2.0、CDPred、GLINTER、DeepHomo、DNCON2_Interなど）と比較して、精度とロバスト性の両方で優れていました。
5. 本研究の有効性はどのように検証した？ DeepTMPの有効性は、自己結合膜タンパク質複合体のテストセットで広範に評価されました。その結果、DeepTMPは精度とロバスト性の両方で既存の接触予測手法を上回るパフォーマンスを示し、優れた予測性能を確認しました。