[3P-39] Prediction of ligand binding on proteins by graph neural network
ゲノム塩基配列から推定されるタンパク質配列には機能未知のものが数多く存在している。また、機能注釈されている場合であっても具体的なリガンドや基質が不明であることが多い。このようなタンパク質の生化学的な機能を理解するには、結合する低分子リガンドを具体的に予測することが重要である。我々はこれまで、アミノ酸残基の空間配置に基づいて、特定のリガンドとの結合傾向や、構造的特徴、進化的な保存性を勾配ブースティング決定木により学習することで低分子リガンド結合残基を予測するProLMSを開発してきた。この方法によりピリドキサールリン酸（PLP）との結合残基予測を行うと、既存の方法に比べて予測精度が高いことが示された。しかし、予測されたPLP結合残基に基づいてPLPと結合するタンパク質かどうかの予測を行うと、その精度は低いという問題があった。そこで、空間上近接しているアミノ酸残基に基づいてグラフを構築し、ProLMSで用いた特徴量をグラフニューラルネットワークで学習することで、あるタンパク質が特定のリガンドと結合できるかどうかを予測するProLMS-GNNを開発した。ProLMS-GNNを用いてPLPに結合するタンパク質かどうかを予測したところ、従来のProLMSに比べて予測精度が大きく向上した。また、ProLMS-GNNによりPLPとの結合残基予測も行ったところ、その予測精度も従来のProLMSと比べて改善されていた。本発表ではPLP以外のリガンドについての予測結果についても議論する。