膜トポロジー

膜貫通タンパク質のトポロジーとは、タンパク質が占める生体膜の内側または外側に対する、膜貫通ポリペプチド鎖のN末端とC末端の位置を指します。 ^{[ 1 ]}

いくつかのデータベースは、実験的に決定された膜タンパク質のトポロジーを提供しています。それらには、 Uniprot、TOPDB ^{[ 3 ] [ 4 ] [ 5 ]} 、 OPM 、およびExTopoDB ^{[ 6 ] [ 7 ]}が含まれます。また、膜の特定の側に保存的に位置するドメインのデータベースであるTOPDOMもあります。^{[ 8 ]}

膜貫通αヘリックスとそのトポロジーを予測するための計算手法がいくつか開発されましたが、成功は限定的でした。先駆的な手法では、膜貫通領域にはタンパク質の他の部分よりも疎水性残基が多く含まれているという事実を利用しましたが、異なる疎水性スケールを適用すると予測結果が変わりました。その後、トポロジー予測を改善するためにいくつかの統計的手法が開発され、特別なアライメント手法が導入されました。^{[ 9 ]}ポジティブインサイドルール^{[ 10 ]}によれば、脂質二重層に近い細胞質ループには、より多くの正電荷アミノ酸が含まれています。このルールを適用した結果、最初のトポロジー予測手法が生まれました。単一パスタンパク質の膜貫通αヘリックスにはネガティブアウトサイドルールもありますが、タンパク質の膜貫通セグメントでは、負電荷残基は正電荷残基よりもまれです。^{[ 11 ]}より多くの構造が決定されるにつれて、機械学習アルゴリズムが登場しました。教師あり学習手法は、実験的に決定された構造のセットでトレーニングされますが、これらの手法はトレーニングセットに大きく依存します。^{[ 12 ] [ 13 ] [ 14 ] [ 15 ]}教師なし学習法は、トポロジーが異なる構造部分におけるアミノ酸分布の最大乖離に依存するという原理に基づいています。 ^{[ 16 ] [ 17 ]}また、構造に関する事前知識に基づいてセグメントの位置を固定すると、予測精度が向上することも示されています。^{[ 18 ]}この機能は、既存の予測方法のいくつかに追加されています。^{[ 17 ] [ 14 ]}最新の方法は、コンセンサス予測（つまり、最終的なトポロジーを決定するために複数のアルゴリズムを使用する）を使用し^{[ 19 ]}、以前に決定された実験情報を自動的に組み込みます。^{[ 20 ]} HTP データベース^{[ 21 ] [ 22 ]}は、ヒト膜貫通タンパク質について計算によって予測されたトポロジーのコレクションを提供します。

シグナルペプチドと膜貫通セグメントの識別は、トポロジー予測におけるもう一つの問題であり、さまざまな方法で限定的な成功しか収められていない。^{[ 23 ]}シグナルペプチドと膜貫通セグメントの両方には、αヘリックスを形成する疎水性領域が含まれている。これが両者の相互予測を引き起こし、多くの膜貫通トポロジー予測ツールの弱点となっている。シグナルペプチドと膜貫通ヘリックスを同時に予測することで（Phobius ^{[ 14 ]}）、相互予測によるエラーが軽減され、パフォーマンスが大幅に向上する。予測精度を高めるために使用されるもう1つの特徴は、相同性である（PolyPhobius）。

βバレル膜タンパク質のトポロジーを予測することも可能だ。^{[ 24 ] [ 25 ]}

• エンドメンブレン系
• 膜貫通タンパク質
• タンパク質トポロジー
• 構造生物学
• 膜貫通ドメイン