ホモロジーモデリング

ホモロジーモデリング（タンパク質の比較モデリングとも呼ばれる）とは、アミノ酸配列と関連する相同タンパク質（「テンプレート」）の実験的な三次元構造から、「ターゲット」タンパク質の原子分解能モデルを構築することである。ホモロジーモデリングは、クエリ配列の構造に似ている可能性のある既知のタンパク質構造を1つ以上特定することと、クエリ配列の残基をテンプレート配列の残基にマッピングする配列アライメントを作成することに依存する。相同タンパク質間では、タンパク質構造はタンパク質配列よりも保存されているが、配列同一性が20%未満の配列は非常に異なる構造を持つ可能性があることがわかっている。^{[ 1 ]}

進化的に関連のあるタンパク質は類似した配列を持ち、自然界に存在する相同タンパク質は類似したタンパク質構造を持つ。三次元タンパク質構造は、配列の保存性のみに基づくと予想されるよりも進化的に保存されていることが示されている。^{[ 2 ]}

次に、配列アライメントとテンプレート構造を使用して、ターゲットの構造モデルを作成します。タンパク質構造はDNA配列よりも保存性が高く、検出可能なレベルの配列類似性は通常、有意な構造類似性を意味します。^{[ 3 ]}

ホモロジーモデルの品質は、配列アライメントとテンプレート構造の品質に依存します。このアプローチは、ターゲットには存在するがテンプレートには存在しない構造領域を示すアライメントギャップ（一般にインデルと呼ばれる）の存在や、構造解析に用いられる実験手順（通常はX線結晶構造解析）の解像度の低さから生じるテンプレートの構造ギャップによって複雑化する可能性があります。モデルの品質は配列同一性の低下とともに低下します。典型的なモデルでは、配列同一性が70%の場合、一致するCα原子間の二乗平均平方根偏差は約1～2Åですが、配列同一性が25%の場合、一致度はわずか2～4Åです^。ただし、ループ領域では、ターゲットタンパク質とテンプレートタンパク質のアミノ酸配列が完全に異なる場合があるため、エラーは著しく大きくなります。

テンプレートを使用せずに構築されたモデル領域（通常はループモデリングによる）は、一般的にモデルの残りの部分よりも精度がはるかに低い。側鎖のパッキングと位置のエラーも、相同性の低下とともに増加し、これらのパッキング構成の変動が、低い相同性でのモデル品質の低下の主な原因として示唆されている。^{[ 4 ]}これらのさまざまな原子位置エラーを総合すると、重大な問題となり、創薬やタンパク質間相互作用の予測など、原子分解能データを必要とする目的で相同性モデルを使用することを妨げる。タンパク質の四次構造でさえ、そのサブユニットの相同性モデルから予測することは難しい場合がある。それにもかかわらず、相同性モデルは、クエリ配列の生化学に関する定性的な結論を導き出すのに役立ち、特に特定の残基が保存されている理由についての仮説を立てるのに役立ち、それがひいてはそれらの仮説を検証する実験につながる可能性がある。たとえば、保存された残基の空間配置は、特定の残基が折り畳みを安定化するため、何らかの小分子の結合に関与するため、または別のタンパク質や核酸との結合を促進するために保存されているかどうかを示唆する可能性がある。^{[ 5 ]}

ホモロジーモデリングは、ターゲットとテンプレートが密接に関連している場合に高品質の構造モデルを生成できるため、あらゆるクラスのタンパク質フォールドの代表的な実験構造の作成に専念する構造ゲノミクスコンソーシアムの形成につながりました。 ^{[ 6 ]}ホモロジーモデリングの主な不正確さは、配列同一性が低いほど悪化し、初期配列アライメントのエラーと不適切なテンプレート選択に起因します。^{[ 7 ]}他の構造予測方法と同様に、ホモロジーモデリングの現在の実践は、タンパク質構造予測技術の重要評価、または構造予測の重要評価（ CASP ）として知られる2年ごとの大規模実験で評価されます。

ホモロジーモデリング法は、タンパク質の三次構造がアミノ酸配列よりもよく保存されているという観察に基づいています。^{[ 3 ]}したがって、配列が大きく異なっていても検出可能な類似性を共有するタンパク質であっても、共通の構造特性、特に全体的な折り畳みも共有します。X線結晶構造解析やタンパク質NMRなどの方法から、関心のあるすべてのタンパク質の実験構造を得ることは困難で時間がかかるため、ホモロジーモデリングは、タンパク質の機能に関する仮説を立て、さらなる実験作業の方向性を定めるための有用な構造モデルを提供できます。

配列の相同性が高いタンパク質はフォールドも共有するという一般的な規則には例外がある。例えば、タンパク質の50%未満の変異を慎重に選択することで、タンパク質が全く異なるフォールドをとるようになることがある。^{[ 8 ] [ 9 ]}しかし、このような大規模な構造変化は進化の過程で起こる可能性は低い。特に、タンパク質は通常、細胞内で適切にフォールドしてその機能を果たすという制約を受けているためである。したがって、タンパク質の概略的なフォールド構造（その「トポロジー」）は、アミノ酸配列よりも長く、対応するDNA配列よりもはるかに長く保存される。言い換えれば、2つのタンパク質は、進化上の関係が遠く、確実に判別できないほどであっても、類似したフォールドを共有する可能性がある。比較のために、タンパク質の機能は、タンパク質配列よりもはるかに保存されにくい。これは、関連する機能を獲得するために必要なアミノ酸配列の変化が比較的少ないためである。

ホモロジーモデリング手順は、テンプレート選択、ターゲットとテンプレートのアライメント、モデル構築、モデル評価の4つの連続したステップに分解できます。^{[ 3 ]}最初の2つのステップは、テンプレートを識別する最も一般的な方法が配列アライメントの作成に依存しているため、実質的に同時に実行されることがよくあります。ただし、データベース検索技術はアライメントの品質よりも速度を優先するため、これらのアライメントの品質が十分でない場合があります。これらのプロセスは、最終モデルの品質を向上させるために反復的に実行できますが、真のターゲット構造に依存しない品質評価はまだ開発中です。

大規模な自動構造予測で使用するためにこれらのステップの速度と精度を最適化することは、構造ゲノミクスイニシアチブの重要な要素です。これは、結果として得られるデータ量が手動で処理するには大きすぎることと、構造ゲノミクスの目標が、構造予測の専門家ではない研究者に妥当な品質のモデルを提供することを必要とするためです。^{[ 3 ]}

相同性モデリングにおける重要な最初のステップは、利用可能なテンプレート構造が存在する場合、その最適なテンプレート構造を特定することです。テンプレートを特定する最も単純な方法は、FASTAやBLASTなどのデータベース検索技術を利用した連続的なペアワイズ配列アライメントに依存しています。多重配列アライメントに基づくより高感度な方法（最も一般的な例はPSI-BLAST）は、位置特異的スコアリングマトリックスを反復的に更新し、より遠縁の相同体を順次特定します。この方法群は、より多くの潜在的なテンプレートを生成し、既知の構造と遠縁の関係しかない配列に対してより良いテンプレートを特定することが示されています。フォールド認識または3D-1Dアライメントとしても知られるタンパク質スレッディング^{[ 10 ]}も、従来の相同性モデリング方法で使用するテンプレートを特定するための検索技術として使用できます。^{[ 3 ]}最近のCASP実験では、予測対象のタンパク質に対して遠縁のテンプレートしか利用できない場合、 RaptorXなどの一部のタンパク質スレッディング方法は、純粋に配列（プロファイル）ベースの方法よりも高感度であることが示されています。 BLAST検索を実行する場合、信頼できる最初のアプローチは、十分に低いE値を持つヒットを特定することです。これらは進化的に十分に近縁であると考えられ、信頼できる相同性モデルを作成できます。限界的なケースでは、他の要因がバランスを崩す可能性があります。たとえば、テンプレートがクエリ配列と同様の機能を持つ場合や、相同オペロンに属している場合などです。ただし、 E値が低いテンプレートは、たとえそれが唯一の利用可能なテンプレートであっても、一般的には選択すべきではありません。構造が間違っている可能性があり、誤ったモデルが生成される可能性があるためです。より良いアプローチは、プライマリ配列をフォールド認識サーバー^{[ 10 ]}に送信するか、さらに良いのは、独立した予測間の類似性（コンセンサス）を識別することで個々のフォールド認識サーバーを改善するコンセンサスメタサーバーに送信することです。

これらのアプローチでは、多くの場合、複数の候補テンプレート構造が特定されます。一部の手法では、複数のテンプレートからより高い精度でハイブリッドモデルを生成できますが、^{[ 10 ] [ 11 ]}ほとんどの手法は単一のテンプレートに依存しています。したがって、候補の中から最適なテンプレートを選択することは重要なステップであり、構造の最終的な精度に大きく影響する可能性があります。この選択は、クエリ配列とテンプレート配列の類似性、それらの機能、予測されたクエリと観測されたテンプレートの二次構造など、いくつかの要因によって導かれます。おそらく最も重要なのは、アラインメントされた領域のカバレッジ、つまりテンプレートから予測できるクエリ配列構造の割合と、結果として得られるモデルの妥当性です。したがって、単一のクエリ配列に対して複数の相同性モデルが生成され、最も可能性の高い候補が最終ステップでのみ選択されることがあります。

データベース検索技術によって生成された配列アライメントを、その後のモデル生成の基礎として使用することは可能ですが、より高度なアプローチも検討されています。ある提案では、局所的な類似性が低い配列領域の「アライメント空間」を探索する手段として、ターゲット配列と単一の識別されたテンプレートとの間の確率的に定義されたペアワイズアライメントのアンサンブルを生成します。 ^{[ 12 ]}「プロファイル-プロファイル」アライメントでは、まずターゲットの配列プロファイルを生成し、それを体系的に解決済みの構造の配列プロファイルと比較します。プロファイル構築に内在する粗視化は、配列の非必須領域における配列ドリフトによって導入されるノイズを低減すると考えられています。 ^{[ 13 ]}

テンプレートとアライメントが与えられた場合、そこに含まれる情報を使用して、タンパク質内の各原子のデカルト座標のセットとして表されるターゲットの3次元構造モデルを生成する必要があります。モデル生成方法には3つの主要なクラスが提案されています。^{[ 14 ] [ 15 ]}

テンプレートにアラインメントされていないターゲット配列の領域はループモデリングによってモデル化されます。これらの領域は、主要なモデリングエラーの影響を受けやすく、ターゲットとテンプレートの配列同一性が低い場合に発生頻度が高くなります。ループモデリングプログラムによって決定された一致しないセクションの座標は、特にループが 10 残基より長い場合、既知の構造の座標を単純にコピーして得られた座標よりも一般的に精度がはるかに低くなります。最初の 2 つの側鎖二面角(χ ₁と χ ₂ ) は、正確な主鎖構造の場合、通常 30° 以内で推定できますが、リジンやアルギニンなどの長い側鎖に見られる後の二面角は、予測が非常に難しいことで知られています。さらに、χ ₁ (および程度は低いが χ _{2 ) の小さなエラーは、側鎖末端の原子の位置に比較的大きなエラーを引き起こす可能性があります。このような原子は、特に}活性部位の近くに位置している場合、機能的に重要な場合が多いです。

複数のモデルの中から天然物に近い構造を選択するための方法が数多く開発されてきた。スコアリング関数は、分子力学エネルギー関数（Lazaridis and Karplus 1999; Petrey and Honig 2000; Feig and Brooks 2002; Felts et al. 2002; Lee and Duan 2004）、統計ポテンシャル（Sippl 1995; Melo and Feytmans 1998; Samudrala and Moult 1998; Rojnuckarin and Subramaniam 1999; Lu and Skolnick 2001; Wallqvist et al. 2002; Zhou and Zhou 2002）、残基環境（Luthy et al. 1992; Eisenberg et al. 1997; Park et al. 1997; Summa et al. 2005）、局所的な側鎖と主鎖の相互作用（Fang and Shortle 2005）、配向依存特性に基づいている。 (Buchete et al. 2004a,b; Hamelryck 2005)、パッキング推定値 (Berglund et al. 2004)、溶媒和エネルギー (Petrey and Honig 2000; McConkey et al. 2003; Wallner and Elofsson 2003; Berglund et al. 2004)、水素結合 (Kortemme et al. 2003)、および幾何学的特性 (Colovos and Yeates 1993; Kleywegt 2000; Lovell et al. 2003; Mihalek et al. 2003)。さまざまな手法では、異なるポテンシャルを組み合わせてグローバルスコアを算出しており、通常は項の線形結合（Kortemme et al. 2003; Tosatto 2005）を用いるか、ニューラルネットワーク（Wallner and Elofsson 2003）やサポートベクターマシン（SVM）（Eramian et al. 2006）などの機械学習技術を利用しています。さまざまなグローバルモデル品質評価プログラムの比較については、Pettitt et al. (2005)、Tosatto (2005)、およびEramian et al. (2006) の最近の論文を参照してください。

モデルの局所的な品質評価に関する研究はあまり報告されていません。局所スコアは、予測構造のさまざまな領域の信頼性を推定できるため、モデリングの文脈において重要です。この情報は、どの領域を精緻化すべきか、どの領域を複数のテンプレートによるモデリングの対象とすべきか、どの領域を第一原理で予測すべきかを判断するために使用できます。局所モデルの品質に関する情報は、代替アライメントを検討する際の組み合わせ問題を軽減するためにも使用できます。たとえば、異なる局所モデルを個別にスコアリングすることで、構築する必要のあるモデルの数を減らすことができます（各領域間の相互作用が無視できるほど小さいか、個別に推定できると仮定した場合）。

最も広く使用されている局所スコアリング方法の 1 つは Verify3D (Luthy et al. 1992; Eisenberg et al. 1997) であり、これは残基環境の二次構造、溶媒接近性、および極性を組み合わせたものです。ペアワイズ統計ポテンシャルと溶媒和項の組み合わせに基づく ProsaII (Sippl 1993) も、モデル評価に広く適用されています。その他の方法としては、原子の種類と距離に応じて非結合原子の分布を考慮する Errat プログラム (Colovos and Yeates 1993) や、異なる環境における平均残基エネルギーからの差を使用してタンパク質構造のどの部分に問題がある可能性があるかを示すエネルギー歪み法 (Maiorov and Abagyan 1998) などがあります。Melo と Feytmans (1998) は、原子ペアワイズポテンシャルと表面ベースの溶媒和ポテンシャル (どちらも知識ベース) を使用してタンパク質構造を評価しています。 ECEPP3力場に基づく半経験的手法であるエネルギー歪み法（Nemethy et al. 1992）を除き、上記に挙げた局所的手法はすべて統計的ポテンシャルに基づいています。概念的に異なる手法として、WallnerとElofsson（2006）によってごく最近導入されたProQres法があります。ProQresは、構造的特徴を組み合わせて正しい領域と誤った領域を区別するニューラルネットワークに基づいています。ProQresは、統計的手法に基づく従来の手法（Verify3D、ProsaII、Errat）よりも優れた性能を示すことが実証されています。WallnerとElofssonの研究で提示されたデータは、構造的特徴に基づく彼らの機械学習アプローチが、統計的手法よりも優れていることを示唆しています。しかし、彼らの研究で検討された知識ベースの手法であるVerify3D（Luthy et al. 1992; Eisenberg et al. 1997）、Prosa（Sippl 1993）、およびErrat（Colovos and Yeates 1993）は、より新しい統計的ポテンシャルに基づいていません。

さまざまな現在の相同性モデリング手法の相対的な品質を評価するために、いくつかの大規模なベンチマークテストが実施されてきました。構造予測の重要評価（ CASP）は、コミュニティ全体で行われる予測実験で、2年ごとに夏季に実施され、予測チームは、最近実験的に構造が解明されたもののまだ公開されていない多数の配列の構造モデルを提出するよう求められます。そのパートナーである完全自動化構造予測の重要評価（CAFASP）はCASPと並行して実施されていますが、完全自動化サーバーで生成されたモデルのみを評価します。予測の「シーズン」を持たない継続的に実施される実験は、主に公開されているウェブサーバーのベンチマークに焦点を当てています。LiveBenchとEVAは継続的に実施され、PDBから間もなく公開される構造の予測における参加サーバーのパフォーマンスを評価します。CASPとCAFASPは主にモデリングの最先端技術を評価する役割を果たしますが、継続的な評価は、公開されているツールを使用する非専門家ユーザーが得るモデルの品質を評価することを目的としています。

ホモロジーモデリングによって生成される構造の精度は、ターゲットとテンプレート間の配列同一性に大きく依存します。配列同一性が50%を超えると、モデルは信頼性が高く、側鎖パッキングと回転異性体状態にわずかなエラーがあるだけで、モデル化された構造と実験構造の間の全体的なRMSDは約1Åになります。このエラーは、NMRで解かれた構造の典型的な分解能に匹敵します。同一性が30～50%の範囲では、エラーはより深刻になる可能性があり、ループに位置することが多いです。同一性が30%未満では、深刻なエラーが発生し、基本的なフォールドが誤って予測されることがあります。^{[ 14 ]}この低同一性領域は、ホモロジーモデリングが非常に困難で、フォールド認識法よりも適していない可能性がある「トワイライトゾーン」と呼ばれることがよくあります。^{[ 24 ]}

配列同一性が高い場合、相同性モデリングにおける主なエラーの原因は、モデルの基となるテンプレートの選択に起因しますが、同一性が低い場合は、配列アライメントに深刻なエラーが発生し、高品質のモデルの作成が阻害されます。^{[ 7 ]}既知の構造を持つ 2 つのタンパク質間の「最適な」構造アライメントを現在のモデリング手法への入力として使用することで、元の実験構造をかなり正確に再現できるため、高品質のモデル作成の主な障害は配列アライメントの不備であると示唆されています。^{[ 25 ]}

既存の方法で構築された相同性モデルの精度を向上させるため、分子動力学シミュレーションを実施して、実験構造とのRMSDを改善しようとする試みが行われてきた。しかし、分子動力学の開始構造として使用される相同性モデルはわずかに劣る構造を生成する傾向があるため、現在の力場パラメータ化はこのタスクに対して十分な精度ではない可能性がある。^{[ 26 ]}シミュレーション中に大きな拘束が使用された場合には、わずかな改善が観察されている。^{[ 27 ]}

ホモロジーモデリングにおける最も一般的で大規模なエラーの原因は、テンプレートの選択の不備と、ターゲットとテンプレートの配列アライメントの不正確さです。^{[ 7 ] [ 28 ]}構造アライメント、または2つの解決済み構造を比較して作成された配列アライメントを使用してこれら2つの要因を制御すると、最終モデルのエラーが劇的に減少します。これらの「ゴールドスタンダード」アライメントは、現在のモデリング手法への入力として使用でき、元の実験構造のかなり正確な再現を作成できます。 ^{[ 25 ]}最新のCASP実験の結果は、複数のフォールド認識と複数のアライメント検索の結果を収集する「コンセンサス」手法が正しいテンプレートを特定する可能性を高めることを示唆しています。同様に、モデル構築ステップで複数のテンプレートを使用することは、単一の正しいテンプレートを使用することよりも悪いかもしれませんが、単一の最適でないテンプレートを使用することよりも良いかもしれません。^{[ 28 ]} 1つのテンプレートしか使用しない場合でも、多重アライメントを使用すること、および類似性の低い局所領域を反復的に改良することで、アライメントエラーを最小限に抑えることができます。^{[ 3 ] [ 12 ]} モデルエラーのより小さな原因は、テンプレート構造のエラーです。Wayback MachineデータベースのPDBREPORT Archived 2007-05-31 には、 PDBに登録されている実験 (テンプレート) 構造の、ほとんどが非常に小さいが時折劇的な数百万のエラーがリストされています。

相同性モデルでは、挿入または欠失変異、あるいは解析済み構造のギャップによって、対応するテンプレートが存在しない標的配列領域が生じる場合、深刻な局所的エラーが発生する可能性があります。この問題は複数のテンプレートを使用することで最小限に抑えることができますが、テンプレートのギャップ周辺の局所構造が異なること、およびある実験構造で欠落している領域が同じタンパク質ファミリーの他の構造でも欠落している可能性が高いことから、この方法は複雑になります。欠落領域は、局所的な柔軟性が高いため構造決定法による領域の解決が困難になるループで最もよく見られます。欠落領域の両端の位置によって単一のテンプレートでもある程度のガイダンスが得られますが、ギャップが長くなるほどモデリングは難しくなります。局所的なアライメントが正しければ、最大約9残基のループは、場合によっては中程度の精度でモデリングできます。^{[ 3 ]}より大きな領域は、 ab initio構造予測技術を使用して個別にモデリングされることが多いですが、このアプローチは限られた成功しか収めていません。^{[ 29 ]}

側鎖の回転異性体状態とその内部パッキング配置も、主鎖構造が比較的容易に予測できる標的であっても、相同性モデリングにおいて困難をもたらします。これは、結晶構造中の多くの側鎖が、疎水性コアおよびタンパク質結晶中の個々の分子のパッキングにおけるエネルギー的要因の結果として、「最適」な回転異性体状態にないことが一因です。^{[ 30 ]}この問題を解決する一つの方法は、回転異性体ライブラリを検索して、局所的にエネルギーの低いパッキング状態の組み合わせを特定する必要があります。^{[ 31 ]}標的とテンプレートの配列同一性が30%未満の場合、相同性モデリングが非常に困難になる主な理由は、そのようなタンパク質は、フォールドは概ね類似しているものの、側鎖のパッキング配置が大きく異なっていることであると示唆されています。^{[ 4 ]}

構造モデルの用途には、タンパク質間相互作用予測、タンパク質間ドッキング、分子ドッキング、および生物のゲノムで同定された遺伝子の機能アノテーションが含まれます。^{[ 32 ]}精度が低い相同性モデルでも、これらの目的には有用です。なぜなら、その不正確さは、タンパク質表面のループに集中する傾向があり、ループは通常、近縁のタンパク質間でもより変動が大きいからです。タンパク質の機能領域、特に活性部位は、より高度に保存されている傾向があり、そのためより正確にモデル化されます。^{[ 14 ]}

ホモロジーモデルは、構造が全て解明されていない関連タンパク質間の微妙な違いを特定するためにも使用できます。たとえば、この方法は、Na ⁺ /K ⁺ ATPaseの陽イオン結合部位を特定し、異なる ATPase の結合親和性に関する仮説を提案するために使用されました。^{[ 33 ]}分子動力学シミュレーションと併用して使用すると、ホモロジーモデルは、カリウムチャネルのイオン選択性の研究のように、タンパク質の速度論とダイナミクスに関する仮説を生成することもできます。^{[ 34 ]}酵母Saccharomyces cerevisiaeでは、ゲノム内のすべての同定されたタンパク質コード領域の大規模な自動モデリングが試みられ、研究当時構造がまだ決定されていなかったタンパク質の約 1000 個の高品質モデルが得られ、236 個の酵母タンパク質と他の以前に解明された構造との間の新しい関係が特定されました。^{[ 35 ]}

• タンパク質構造予測
• タンパク質構造予測ソフトウェア
• タンパク質スレッディング
• 分子置換