特許ウォッチ

公開番号2024127694
公報種別公開特許公報(A)
公開日2024-09-20
出願番号2023109794
出願日2023-07-04
発明の名称海洋栄養成分の生合成経路のマイニング方法、装置、機器及び媒体
出願人中国海洋大学
代理人個人,個人
主分類G16B 30/00 20190101AFI20240912BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】海洋栄養成分の生合成経路のマイニング方法、装置、機器及び媒体を提供する。
【解決手段】方法は、タンパク質コード領域の予測、目的機能性酵素の同定及び酵素活性の予測と分析という3つの重要な工程を含む。
【効果】DNA三次元構造情報、基質化学特徴情報及びタンパク質三次元構造情報を融合し、モデルの正確性を向上させ、配列決定によって得られたメタプロテオミクスデータと、同定された陽性サンプルとを比較してスクリーニングすることにより、偽陽性確率を大幅に低減し、酵素活性の正確な予測を実現するとともに、重要なアミノ酸残基を逆識別する。
【選択図】図1
特許請求の範囲【請求項１】
潜在的なゲノムデータに対してＤＮＡ形状特徴を融合したタンパク質コード領域を予測する第１工程と、
目的機能性酵素を同定し、アミノ酸配列と特定の基質との親和性を予測することにより、目的機能性酵素の同定を実現する第２工程であって、第２工程の具体的な方法は、
（１）ＥＬＥＣＴＲＡモデルを事前トレーニングし、まずＰｕｂＣｈｅｍデータベースから化合物の複合ＳＭＩＬＥＳ文字列を抽出し、ＵｎｉＰｒｏｔデータベースからタンパク質のＦＡＳＴＡ配列を抽出し、それぞれ２つのＴｒａｎｓｆｏｒｍｅｒエンコーダに入力し、一方は生成器ネットワークとして、他方は識別器ネットワークとして機能し、ＥＬＥＣＴＲＡ－ＭモデルとＥＬＥＣＴＲＡ－Ｐモデルをそれぞれ得るステップと、
（２）ＢＲＥＮＤＡから収集した基質情報とタンパク質配列情報をトレーニングされたＥＬＥＣＴＲＡ－ＭモデルとＥＬＥＣＴＲＡ－Ｐモデルに入力し、特徴テンソルマトリクスを得て、ＣＮＮとＦＣＮＮを組み合わせてミカエリス定数を予測するステップと、
（３）ＦＣＮＮを用いてミカエリス定数の値を予測するステップと、を含む第２工程と、
第２工程において同定された陽性同定結果と生物実験配列決定によって得られたメタプロテオミクスデータとを比較してスクリーニングし、タンパク質をコードするポテンシャルを有する陽性同定サンプルを得て、従来技術を利用してタンパク質配列をｐｄｂフォーマットファイルに変換し、即ち、その三次元構造を予測して分子動力学シミュレーションと分析を行う第３工程と、
候補サンプルを選択してランキングするように、それに対して分子動力学と深層学習を組み合わせた予測モデルに基づく酵素活性の予測分析を行う第４工程とを含む、
ことを特徴とする海洋栄養成分の生合成経路のマイニング方法。
続きを表示（約 1,800 文字）【請求項２】
前記第１工程において、まず、タンパク質コード領域の予測関連データセットを構築し、ＮＣＢＩｒｅｆｅｒｅｎｃｅｓｅｑｕｅｎｃｅｓから関連種のゲノムと転写データセットを構築し、全ての生物学的配列からサンプルを選択し、かつサンプルをネガティブサンプルとしてランダムにシャッフルし、ネガティブサンプルの数をポジティブサンプルの数に等しくし、全てのサンプルを３つの部分に分割して３分割の交差検証を行い、テストデータから配列類似度が５０％を超えるサンプルを除去することにより、テストデータのうちの各サンプルと、トレーニングデータのうちの任意のサンプルとの同一性が５０％を超えないことを保証し、次に、深層学習モデルを用いてＤＮＡ形状情報を融合した配列特徴の抽出を実現し、次に、タンパク質コード領域をラベリングし、各スライドウィンドウの特徴コードベクトルを与えた後、深層学習モデルを構築することにより、配列構造特徴、グローバル配列順序情報、重複しないｋｍｅｒ特徴及びタグ依存関係を統合し、生物学的配列における各位置について、現在の部分列及びその隣接する部分列をＤＮＡ形状情報、Ｃ４及びｇｋｍにコードし、さらにＤＮＡ形状情報及びＣ２をＣＮＮにコードしてｇｋｍに合併し、最後に双方向リカレントニューラルネットワークに供給してタンパク質コード領域を予測し、予測されたタンパク質コード領域の配列をアミノ酸配列に変換する、
ことを特徴とする請求項１に記載の海洋栄養成分の生合成経路のマイニング方法。
【請求項３】
第４工程において、まず、分子動力学と深層学習に基づく酵素活性予測モデルのトレーニングとテストのデータセットを構築し、分子動力学ソフトウェアを用いて分子動力学シミュレーションを行い、分子動力学シミュレーション後に２０ｐｓの間隔で各２００ｎｓ軌跡からスナップショットを後続のＤＬ分析の立体配座データセットとして抽出し、次に、分子動力学シミュレーション立体配座の画素表現を取得し、画素マップを用いてデータセットにおける各立体配座を示し、即ち、マトリクス変換により各立体配座のＸＹＺ座標をＲＧＢ座標に変換し、最後に、解釈可能な深層学習アルゴリズムモデルを構築し、酵素活性を予測するとともに、機能する重要なアミノ酸残基を識別することにより、後続の生物学者がウェット実験検証を行う、
ことを特徴とする請求項１に記載の海洋栄養成分の生合成経路のマイニング方法。
【請求項４】
第２工程において、第１工程において同定されたタンパク質配列と目的基質との間のミカエリス定数を予測することにより目的機能性酵素の同定を実現し、第２工程におけるステップ（３）において、過学習を防止するために、各隠れ層の後にバッチ正規化を適用し、かつ各層にＬ２正則化を使用する、
ことを特徴とする請求項３に記載の海洋栄養成分の生合成経路のマイニング方法。
【請求項５】
タンパク質コード領域の予測モジュールと、目的機能性酵素の同定モジュールと、比較スクリーニング及び活性評価モジュールとを含み、
前記タンパク質コード領域の予測モジュールは、請求項１に記載の海洋栄養成分の生合成経路のマイニング方法における前記第１工程の方法を実行し、
前記目的機能性酵素の同定モジュールは、請求項１に記載の海洋栄養成分の生合成経路のマイニング方法における第２工程の方法を実行し、
前記比較スクリーニング及び活性評価モジュールは、請求項１に記載の海洋栄養成分の生合成経路のマイニング方法における前記第３工程及び第４工程の方法を実行する、
ことを特徴とする海洋栄養成分の生合成経路のマイニング装置。
【請求項６】
コンピュータプログラムが記憶されているメモリと、プロセッサとを含み、前記コンピュータプログラムは、前記プロセッサによって実行されると、前記プロセッサに請求項１に記載の海洋栄養成分の生合成経路のマイニング方法の工程を実行させる、
ことを特徴とするコンピュータ機器。
【請求項７】
プロセッサによってロードされると、請求項１に記載の海洋栄養成分の生合成経路のマイニング方法を実行するコンピュータプログラムが記憶されている、
ことを特徴とするコンピュータ読み取り可能な記憶媒体。

発明の詳細な説明【技術分野】
【０００１】
本発明は、生物情報学の分野に属し、具体的には、海洋栄養成分の生合成経路のマイニング方法、装置、機器及び媒体に関する。
続きを表示（約 3,800 文字）【背景技術】
【０００２】
従来技術において、ゲノム配列にわたる特定の代謝酵素をコードする遺伝子セットを自動的に識別する一連の計算方法が開発されている。多くの方法は、最初に細菌（場合によっては真菌と植物）に対して開発されたが、利用された原理は、他の生物種に拡張することができる。これらの方法は、それぞれ異なる分類群を対象として、かつそれらを新たな分類空間に拡張するのに必要な条件も異なる。
【０００３】
方法ポリシーの観点から見ると、従来の主流な方法は、ある種の活性化合物に関連する生合成遺伝子クラスター（ｂｉｏｓｙｎｔｈｅｔｉｃｇｅｎｅｃｌｕｓｔｅｒｓ、ＢＧＣｓ）を識別することが多い。ＢＧＣｓにおける酵素をコードする遺伝子の物理的クラスタリングは、生合成経路の識別を大きく促進する。ＢＧＣは、遺伝子含有量が大きく変化し、かつその迅速な進化及び頻繁な遺伝子レベルの転移により、一般的に菌株特異性を有するが、それらは、一般的に酵素ファミリー形式の共通特性を確実に有し、これらの酵素ファミリーは、特定の種類の代謝産物の生合成全体にとって重要な生化学反応の触媒を担う。この特性により、ゲノムにおけるＢＧＣを大幅かつ自動的に識別することを可能にしている。ａｎｔｉＳＭＡＳＨ、ＰＲＩＳＭなどの広く使用されているソフトウェアツールは、タンパク質ドメインの輪郭隠れマルコフモデル（ｐＨＭＭｓ）を用いて、特定の経路タイプの特徴を有する酵素ファミリーをコードする遺伝子組み合わせを識別する。これらの２つのツールによって得られる結果は、一般的に非常に類似しているが、ａｎｔｉＳＭＡＳＨの開発は、機能及び比較分析に重点を置いているのに対し、ＰＲＩＳＭは、化学構造の組み合わせ予測に特に使用され、質量スペクトルデータとの自動マッチングに使用することができる。ｐＨＭＭｓの使用は、多くの成熟したタイプの生合成メカニズムをコードするＢＧＣ（例えば、ポリケタイド合成酵素、ＮＲＰＳｓ及び既知のタイプのリボソームを合成して翻訳した後に修飾されたペプチド（ｒｉｂｏｓｏｍａｌｌｙｓｙｎｔｈｅｓｉｚｅｄａｎｄｐｏｓｔｔｒａｎｓｌａｔｉｏｎａｌｌｙｍｏｄｉｆｉｅｄｐｅｐｔｉｄｅｓ、ＲｉＰＰｓ））を識別するのに非常に信頼できるが、あまり研究されず、全く新しいタイプのＢＧＣを無視するリスクがある。確率ベースのＢＧＣ予測方法（例えば、ＣｌｕｓｔｅｒＦｉｎｄｅｒ（ａｎｔｉＳＭＡＳＨにも集積）とＤｅｅｐＢＧＣ）又はゲノム間の代謝に関連する非共線遺伝子ブロックを識別する比較ゲノミクス方法は、非標準ＢＧＣを検出する可能性がより高いが、偽陽性率が高い。また、ＲｉＰＰについて、既知のタイプにおける遠隔メンバー酵素（配列相同性比較で認識できないメンバー酵素）又は全く新しいタイプの酵素をコードして生成するＢＧＣｓを識別する専用ツールが登場している。そのうちの一部（例えば、ＢＡＧＥＬ）は、ａｎｔｉＳＭＡＳＨ及びＰＲＩＳＭと同様のｐＨＭＭに基づく検出技術を使用する。他の研究では、デコイベースの方法（特定のクエリ酵素をコードする遺伝子を用いて、それらのホモログを含む遺伝子座を識別する）又は機械学習方法を使用して、潜在的な前駆体ペプチドをコードする遺伝子を識別し、メタボロミクスに基づくマッチングを使用して分類単位に固有のオペロンを識別することにより、特定の代謝機能をコードすると考えられる。公開利用可能なゲノムについては、ａｎｔｉＳＭＡＳＨによって識別されたＢＧＣをＩＭＧ－ＡＢＣとａｎｔｉＳＭＡＳＨ－ＤＢなどのオンラインデータベースにおいてインタラクティブに閲覧することができる。
【０００４】
しかしながら、単一の遺伝子クラスターに位置するのではなく、複数の染色体に分布するゲノムによってコードされる生物の生合成経路の例が数多くある。ゲノムマイニング方法を生命の木の未開発部分に拡張した場合に、その代謝産物生合成ゲノムのクラスタリング程度は、まだ観察する必要がある。
【０００５】
アルゴリズム発展プロセスの観点から見ると、早期に配列比較方式によって保存配列を発見する方法は、機能配列を発見する主な手段とされるが、配列関連研究の深化に伴い、様々な配列マイニングアルゴリズムが登場している。生物学的配列におけるモチーフマイニング（又はモチーフ発見）は、類似した、保存された配列要素（「ｍｏｔｉｆ」）のグループを見つける問題として定義されてもよい。これらの配列元素は、通常、ヌクレオチド配列において短くかつ類似し、共通の生物学的機能を有する。初期のｍｏｔｉｆマイニング方法は、主に列挙方法と確率方法の２つの主なタイプに分けられる。第１タイプは、簡単な単語列挙に基づくものである。例えば、Ｓｉｎｈａらによって開発された酵母モチーフファインダー（ＹｅａｓｔＭｏｔｉｆＦｉｎｄｅｒ、ＹＭＦ）アルゴリズムは、一致性表現を用いて酵母ゲノムにおける少数の縮重位置を有する短いモチーフを検出する。ＹＭＦは、主に、探索空間の全てのモチーフ配列（ｍｏｔｉｆ）を列挙する第１ステップと、全てのｍｏｔｉｆのｚ－ｓｃｏｒｅを計算して、スコアが最も高いｍｏｔｉｆを見つける第２ステップとに分けられる。
【０００６】
列挙に基づくモチーフマイニング方法の実行速度を加速するために、接尾辞木、並列処理などのいくつかの特殊な方法が使用される。また、ＬＭＭＯ、ＤｉｒｅｃｔＦＳ、ＡＢＣ、ＤｉｓｃＭＬＡ、ＣｉｓＦｉｎｄｅｒ、Ｗｅｅｄｅｒ、Ｆｍｏｔｉｆ及びＭＣＥＳなどの配列マイニングアルゴリズムは、モデルにおいてこのポリシーを使用している。確率ベースのモチーフマイニング方法では、いくつかのパラメータを必要とする確率モデルを構築する。これらの方法は、結合領域における各部位に塩基分布を提供することにより、モチーフの有無を区別する。これらの方法は、通常、位置固有のスコアマトリクス（ｐｏｓｉｔｉｏｎｓｐｅｃｉｆｉｃｓｃｏｒｉｎｇｍａｔｒｉｘ、ＰＳＳＭ／ＰＷＭ）又はｍｏｔｉｆマトリクスによって分布を構築する。ＰＷＭは、各位置におけるｍｏｔｉｆの優先度を示すｍ×ｎサイズのマトリクスである（ｍは、特定のタンパク質結合部位の長さを示し、ｎは、ヌクレオチド塩基のタイプを示す）。
【０００７】
近年、深層学習は、様々な応用シーンにおいて大きな成功を収めている。これにより、研究者は、これをＤＮＡ／ＲＮＡモチーフマイニングに適用しようと試みる。ＤＮＡ／ＲＮＡモチーフマイニングは、遺伝子機能研究の基礎であり、研究者は、過去数十年にわたり、モチーフマイニングのために新しい効率的で正確なアルゴリズムを設計することに取り組んでいる。関連する研究結果は、深層学習を代表とするアルゴリズムが良い成績を達成することを示している。従来の配列マイニング深層学習方法は、畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ、ＣＮＮ）に基づくモデル、リカレントニューラルネットワーク（ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ、ＲＮＮ）に基づくモデル、及びハイブリッドＣＮＮ－ＲＮＮに基づくモデルの３種類に大別される。従来の深層学習方法を分析して比較することにより、データが十分である場合、より複雑なモデルの方が単純なモデルよりも優れたパフォーマンスを発揮することが多いことが分かる。
【０００８】
しかしながら、従来の深層学習に基づく主流なゲノミクスデータマイニング方法は、ある特定のタスク（例えば、抗生物質耐性遺伝子の予測）に対してエンドツーエンド深層学習モデルを設計することが多く、汎用性が低く、柔軟性が低いという問題がある。また、ゲノムデータから目的化合物の生合成経路をマイニングすることは、依然として挑戦性があり、全体のデータ量が豊富であるが、単一機能性酵素に関連するデータ量が不十分である可能性があるなどの問題がある。また、ゲノミクスのデータ量が膨大であり、マイニングアルゴリズムの効率に対する要求が高いという前提で、効率と精度をどのようにバランスさせるかなどの問題がある。
【発明の概要】
【発明が解決しようとする課題】
【０００９】
上記問題に対して、本発明は、大量の海洋水産物のゲノムデータに基づいて、自然言語処理ニューラルネットワークモデルと組み合わせて、目的化合物の合成関連酵素をコードする遺伝子の識別及び優先ランキングを実現する海洋栄養成分の生合成経路のマイニング方法、装置、機器及び媒体を設計開発する。各合成ステップに必要な特定の機能性酵素を遺伝子発現により生成し、最終的に合成経路をシミュレーション生成する。また、フローにおける（１）タンパク質コード領域の予測、（２）目的機能性酵素の同定、及び（３）酵素活性の予測と分析という３つの重要な工程の関連技術を最適化することにより、パイプラインの有効性を向上させる。
【課題を解決するための手段】
【００１０】
本発明は、以下の技術手段により実現される。
（【００１１】以降は省略されています）

関連特許