深層学習を用いたタンパク質複合体予測構造に対するリランキングシステムの開発

• Item type: SIG Technical Reports(1)
• 公開日: 2019-06-10
• タイトル: 深層学習を用いたタンパク質複合体予測構造に対するリランキングシステムの開発
• タイトル / 言語: en
• タイトル: Improvement of Deep learning reranking model for protein complex predict structure
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京工業大学情報理工学院情報工学系
• 著者所属: 東京工業大学情報理工学院情報工学系
• 著者所属(英): en
• 著者所属(英): Department of Computer Science, School of Computing, Tokyo Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Computer Science, School of Computing, Tokyo Institute of Technology
• 著者名: 色川, 雅崇; 石田, 貴士
• 著者名(英): Masataka, Irokawa; Takashi, Ishida
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: タンパク質複合体がどのような立体構造を形成するかは構造ベース創薬等において非常に有用な情報となる．しかし，X線結晶構造解析やクライオ電子顕微鏡などのような実験的な手法を用いた複合体構造決定は莫大な費用や時間を要することが多いため，近年の計算性能の向上に伴い計算機を用いて複合体の構造を予測するタンパク質ドッキング手法が開発された．しかし，ドッキングによって出力された予測構造は精度が必ずしも高いとは言えず，予測構造を再評価するリランキングという手法がある．池田らは近年生化学分野でも注目を浴びている3DCNNフレームワークを用いてリランキングシステムを開発し，ドッキングツールMEGADOCKの予測構造に対してリランキングを行った結果，既存手法であるZRANKに対し精度を向上させることに成功した．しかし，そのモデルは学習に用いたMEGADOCKによる予測モデルに対してのみ高い性能を示すものであり，その他のドッキングツールでは性能が低下するという問題があった．本研究では，メジャーなドッキングツールであるZDOCKにおいても適用可能な3DCNNリランキングモデルの開発を行い，同時に池田らの手法における入力データやネットワーク構造の変更などを行う事で予測精度の向上を目指した．その結果，ZDOCKの予測構造に対し，AUCの面でMEGADOCKの予測構造で学習した池田らの3DCNNモデルとZRANKよりも高い精度を出すことに成功した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Three-dimensional structure of a protein complex is useful information in biological researches such as structure based drug design. However, complex structure determination by experimental methods such as x-ray crystallography and cryo-electron microscopy requires enormous cost and time. Thus, computational protein-protein docking methods have been developed to predict the structure of the complex along with recent improvements in computational performance. However, the accuracy of the docked models are often insufficient. Thus, reranking method that evaluates the predicted models based on more accurate score function has been developed. Recently, Ikeda et al. developed the reranking system using 3DCNN framework and succeeded to rerank prediction structures by docking tool MEGADOCK compared with the existing method ZRANK. However, its performance is good only for the models generated by MEGADOCK, and the performance was degraded for models by the other docking tools. In this research, we developed a 3DCNN-based reranking system applicable to ZDOCK, which is another major docking tool. We also tried to improve the prediction accuracy by changing input feature and a network structure used in Ikeda et al. As a result, the method achieved higher accuracy than the 3DCNN model trained by Ikeda et al. and ZRANK in terms of AUC for predicted model by ZDOCK.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2019-BIO-58, 号 54, p. 1-7, 発行日 2019-06-10
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会