グリコプロテオミクスの新しい手法、Fudan が Transformer と GNN に基づくハイブリッドエンドツーエンドフレームワークを開発、Nature サブジャーナルに掲載-AI-php.cn

グリコプロテオミクスの新しい手法、Fudan が Transformer と GNN に基づくハイブリッドエンドツーエンドフレームワークを開発、Nature サブジャーナルに掲載

WBOY

リリース： 2024-08-06 08:31:22

オリジナル

466 人が閲覧しました

編集者 | 大根の皮

タンパク質のグリコシル化は、糖基によるタンパク質の翻訳後修飾であり、細胞のさまざまな生理学的および病理学的機能において重要な役割を果たします。

グリコプロテオミクスは、タンデム質量分析 (MS/MS) 技術と組み合わせた液体クロマトグラフィーを使用して、グリコシル化部位、グリコシル化レベル、糖構造に関する複合情報を取得する、プロテオーム内のタンパク質のグリコシル化の研究です。

しかし、糖プロテオミクスのための現在のデータベース検索方法では、構造を決定するイオンの出現が限られているため、糖鎖構造を決定することが困難なことがよくあります。スペクトル検索法は断片化強度を利用して糖ペプチドの構造同定を容易にすることができますが、スペクトルライブラリー構築の難しさによりその応用が妨げられています。

最新の研究では、復旦大学の研究者らは、糖ペプチドの MS/MS スペクトルと保持時間 (RT) を予測するための、Transformer およびグラフニューラルネットワークに基づくハイブリッド深層学習フレームワークである DeepGP を提案しました。

2 つのグラフニューラルネットワークモジュールを使用して、それぞれ分岐糖構造を捕捉し、糖イオン強度を予測します。さらに、糖プロテオームデータの不足を軽減するために、事前トレーニング戦略が実装されました。

この研究は「糖ペプチドタンデム質量スペクトルの深層学習予測が糖プロテオミクスを強化する」と題され、2024年7月30日に「Nature Machine Intelligence」に掲載されました。

タンパク質の翻訳後修飾 (PTM) により、プロテオームの複雑さが大幅に増加します。最も重要な PTM の 1 つであるグリコシル化は、哺乳動物のタンパク質の 50% 以上に影響を与え、多くの生理学的および病理学的プロセスにおいて重要な役割を果たします。

グリコシル化プロセス中に、糖分子が特定のアミノ酸残基の側鎖に結合し、その結果、構造的不均一性が生じ、その結果、糖ペプチド異性体の多様性が生じ、同定が困難になります。

液体クロマトグラフィータンデム質量分析法 (LC-MS/MS) は、RT と組み合わせたフラグメントイオンと分子量によって糖ペプチドを同定する主要な技術です。質量電荷比 (m/z) だけでは糖の構造を決定するのに十分ではないため、科学者は識別感度を向上させるためにスペクトル照合法を使用します。ただし、糖ペプチド MS/MS スペクトルライブラリの構築はコストがかかり、複雑です。

近年、ディープラーニングによりペプチドのMS/MSスペクトル予測が進歩しました。ただし、現在のグリコペプチドミクスデータセットの数が比較的少ないことと、グリコペプチド質量分析データを生成するための標準化されたプロトコルが存在しないため、ディープラーニングモデルのトレーニングに適したデータの利用可能性が制限されています。

この目的を達成するために、復旦大学の研究者らは、完全な N-糖ペプチド MS/MS スペクトルと RT 予測のための深層学習ベースのハイブリッドエンドツーエンドフレームワークである DeepGP を提案しています。深層学習フレームワークは、事前トレーニングされた Transformer モジュールと 2 つのグラフニューラルネットワーク (GNN) モジュールで構成されます。

図: モデルのアーキテクチャと糖ペプチド MS/MS スペクトル予測。

DeepGPモデル

は入力として糖ペプチドを受け入れます
エンコードされた糖ペプチドの特徴:
1. 糖構造
2. アミノ酸配列
3. PTMタイプ
4. PTM 位置
5. プリカーサーの充電状態
糖構造は GNN を介して埋め込まれ、糖ペプチドをグラフに変換します。
- ノード: 単糖
  イラスト: DeepGP に基づく合成データセットで類似の糖鎖組成を区別します。 (出典: 論文)
2 つの GNN モジュールが糖構造を捕捉し、糖イオン強度を予測
研究者らは、糖インターカレーション用にグラフ畳み込みネットワーク (GCN)、グラフ同型ネットワーク (GIN)、グラフアテンションネットワーク (GAT) を含む 3 つの GNN アーキテクチャを評価しました。 B/Y イオン強度予測。
GCN は畳み込み演算を利用してノード表現を取得し、メッセージパッシングプロトコルを実装して隣接するノードの表現を集約します。GIN はグラフ同型性テストで優れたパフォーマンスを発揮し、モデルが入力の最も関連性の高い部分に焦点を当てることができるようにします。。
実験結果は、GCN が糖包埋タスクで最高のパフォーマンスを発揮するのに対し、GIN は B/Y イオン強度予測タスクで良好なパフォーマンスを発揮することを示しているため、GCN と GIN が対応する分析に選択されました。

イラスト: MS/MS 予測における DeepGP のパフォーマンス。 (出典: 論文)