1. Structural Prediction of Protein-RNA Interaction
by Computational Docking
with Propensity-based Statistical Potentials
Laula Pérez-Cano, Albert Solernou, Carles Pons, Juan Fernández-Recio
Pac Symp Biocomput. 2010, 293-301.
2010/10/12 論文輪講
M2 大上 雅史
BIOCOMPUTING 2010
Proceedings of the Pacific Symposium
Kamuela, Hawaii, USA, 4 - 8 January 2010

2. 内容に入る前に

3. Fernandezらについて
• ドッキングソフトPyDOCK開発チーム
– FTDockがベース
– CAPRIでも結構強い
• FTDockが元
References
Grosdidier, S., Pons, C., Solernou, A., & Fernández-Recio, J. (2007).
Prediction and scoring of docking poses with pyDock. Proteins, 69(4), 852-8.
doi: 10.1002/prot.21796.
Cheng, T. M., Blundell, T. L., & Fernandez-Recio, J. (2007).
pyDock: electrostatics and desolvation for effective scoring of rigid-body
protein-protein docking. Proteins, 68(2), 503-15.
doi: 10.1002/prot.21419.
Pons, C., Solernou, A., Perez-Cano, L., Grosdidier, S., & Fernandez-Recio, J. (2010).
Optimization of pyDock for the new CAPRI challenges: Docking of homology-
based models, domain-domain assembly and protein-RNA binding. Proteins, 1-7.
doi: 10.1002/prot.22773. 3

4. Introduction

5. イントロダクション
• この研究のテーマ
「タンパク質-RNA間相互作用」
• この研究でやったこと
→ドッキングのための新しい残基-リボ核酸
ペアワイズスコアの開発
– FFT-based rigid body dockingを想定
• ドッキングで大量生成したデコイに対して
このスコアを用いて評価（フィルタリング）する
5

6. イントロダクション
• タンパク質-RNA間相互作用が重要
– だが利用可能な構造はまだまだ少ない
– 計算機による構造ベースの研究も少ない
• ドッキング研究
– Protein-ProteinやProtein-Ligandに比べて
事例が圧倒的に少ない
– 最近のCAPRIのターゲットにRNAが出現
6

7. イントロダクション
• CAPRIにおけるPyDockチーム
– Protein-RNAドッキングで2位
• Ligand-RMSD = 3.8Å
– 課題・限界も見い出された
• フレキシブルさの考慮
• Protein-RNAのためにチューニングされた
スコアリングパラメータが必要
7

8. イントロダクション
• Protein-RNA複合体の相互作用面の情報等
から相互作用の特徴の理解を目指した研究
– 水素結合の全原子統計的ポテンシャル
[3] Chen, Y., Kortemme, T., Robertson, T., Baker, D., & Varani, G.
(2004). A new hydrogen-bonding potential for the design of
protein-RNA interactions predicts specific contacts and
discriminates decoys. Nucleic acids research, 32(17), 5147-62.
doi: 10.1093/nar/gkh785.
• Rosetta（リガンドドッキングシステム）を使って
decoy生成，near nativeとそうでないのを比較して
チューニング
8

9. イントロダクション
• 統計的ポテンシャルに関する研究（一部）
[12] Lejeune, D., Delsaux, N., Charloteaux, B., Thomas, A., &
Brasseur, R. (2005). Protein-nucleic acid recognition: statistical
analysis of atomic interactions and influence of DNA structure.
Proteins, 61(2), 258-71. doi: 10.1002/prot.20607.
[9] Ellis, J. J., Broom, M., & Jones, S. (2007). Protein – RNA
Interactions : Structural Analysis and Functional Classes.
Bioinformatics, 911(December 2006), 903-911.
[13] Jeong, E., Kim, H., Lee, S., & Han, K. (2003). Discovering the
interaction propensities of amino acids and nucleotides from protein-
RNA complexes. Molecules and cells, 16(2), 161-7.
9

10. イントロダクション
• 類似の論文
[6] Pérez-Cano, L., & Fernández-Recio, J. (2010). Optimal protein-RNA
area, OPRA: a propensity-based method to identify RNA-binding sites
on proteins. Proteins, 78(1), 25-35. doi: 10.1002/prot.22527.
10

11. Methods

12. 提案手法
Pairwise residue-ribonucleotide interface propensities
p ：アミノ酸の種類(1~20)
q ：RNAの種類(1~4)
NIpq ：相互作用面の(p, q)ペアの数
（4Å以内に1個でも互いの原子があればカウント）
NSp/q ：表面残基/RNAの数
（ASA>0.1Å2でカウント）
282のnon-redundant protein-RNA interaction を利用 12

13. Pairwise p-q interface propensities
• 自由エネルギーの形に変換
※ RT=0.59 kcal/mol
13

14. ドッキングへの利用
• 手順
– FTDockで10000個のデコイ生成
• 静電的相互作用丌使用，1.2ÅGrid
– デコイiに対するfinal score
14

15. 評価実験～使用データ
unbound proteinはboundと95%以上の配列類似性のもの，unbound RNAは85%
15

16. 評価実験～評価方法
• RNAのRMSDで評価
– タンパク質のCαをフィッティング
– RNA全原子でRMSDを計算
– near-native solutionは10Å以下（CAPRI基準）
• 特定のdecoy中に含まれるNNS数の割合を
ランダム生成と比較
16

17. Results

18. interface propensities
favorable pair disfavored
– アルギニン(R)，リジン(K)，ヒスチジン(H)がよくいる
– RNA側では変化はあまり見られない→残基が重要
18

19. interface propensities
Protein-RNAの相互作用では静電的効果が重要
RNAの負電荷がタンパク質のRNA binding siteで
重要な効果を発揮している
※Protein-Proteinではdesolvation/hydrophobic effectが重要
19

20. Protein-RNA rigid-body docking and scoring
10,000個のFTDock生成decoy中にNNSがあったもの（12複合体中7複合体）
・fnat is the fraction of RNA-protein contacts that is also found in the
native (target) structure
・fnon-nat is the fraction of RNA-protein contacts that is found, but that is
not present in the native (target) structure
・FTDock&Propensity はスコアの和（重み付けなし）
20

21. Protein-RNA rigid-body docking and scoring
10000
1WSU
Best near-native rank
2PJP
1000
1LNG
1E7K
1WPU
100
2QUX
2JEA
10
1
FTDock Propensity FTDock&Propensity
21

22. Protein-RNA rigid-body docking and scoring
10000
1WSU
Best near-native rank
2PJP
1000
1LNG
1E7K
1WPU
100
2QUX
2JEA
10
1
FTDock FTDock&Propensity
22

23. Protein-RNA rigid-body docking and scoring
• 組合せて使うとよくなる
– FTDockと相補的に働いている？
– 3つの例ではFTDockとPropensityのどちらかに
10位以下がいる
23

24. Example of successful prediction
PDB id : 2QUX
unbound protein vs. bound RNA
RMSD = 8.7Å
（Propensityで1位が当たったやつ）
シアン：予測
マゼンタ：X-ray
タンパク質表面での位置が
結構近いから良いんじゃね
24

25. Discussion

26. 他のpropensity score
• 関連研究と比較
– favored残基は全てにおいて共通
→アルギニン(R)とリジン(K)
• この論文で見られたヒスチジン(H)は環境によっては
正電荷として機能するので重要
– 相手RNAによって変化
• R-UとK-Aが特に強い
• この論文では相手RNAによる変化は殆ど無いと結論
– トリプトファン(W)とチロシン(Y)も割と関係している
• 特にRNA側がAかUのとき
母集団の大きさがでかい(282 nr PRIを使用)から，
他よりも一般の複合体に適用するときでは良いはず
26

27. 他のpropensity score
[16]Treger, M., & Westhof, E. (2001). Statistical analysis of atomic
contacts at RNA-protein interfaces. Journal of molecular recognition :
JMR, 14(4), 199-214. doi: 10.1002/jmr.534.
[9] Ellis, J. J., Broom, M., & Jones, S. (2007). Protein-RNA
interactions: structural analysis and functional classes. Proteins,
66(4), 903-11. John Wiley & Sons. doi: 10.1002/prot.21211. 27

28. 他のpropensity score
[15]Jones, S., Daley, D. T., Luscombe,
N. M., Berman, H. M., & Thornton, J.
M. (2001). Protein-RNA interactions:
a structural analysis. Nucleic acids
research, 29(4), 943-54.
28

29. 他のpropensity score
[13]Jeong, E., Kim, H., Lee, S., & Han, K. (2003). Discovering the
interaction propensities of amino acids and nucleotides from protein-
RNA complexes. Molecules and cells, 16(2), 161-7. Retrieved from
http://www.ncbi.nlm.nih.gov/pubmed/14651256.
29

30. 性能比較
4/7
[16]
[9]
[15]
10,000decoyをテキトウに順位付け
100回平均 2/7
1/7
30

31. まとめると
• 2つのことが結論づけられた
– Protein-RNAの特異性の決定要因がほとんど
Proteinの残基にある
– 統計ポテンシャルの予測値はデータベースの
大きさに依る
• ドッキング性能
– Protein-Proteinよりは悪い
– が，1E7Kと1WPUは
Protein-Proteinより良い
31

32. まとめると
• Protein-RNAドッキング
– FTDockだけでもそこそこ良い結果のものが出る
• 「top10にNNSがいる率」が高い 10000
• PPDではそんなに高くならない
Best near-native rank
1000
→(Elecを使ってないことから) 100
Protein-RNAでは形状相補性が
(PPDより)さらに重要なのでは 10
※ただし良くなったのはbound RNA 1
FTDock Propensity
32

33. Conclusions

34. Summary
• Protein-RNAドッキングのための新しい手法を提案
– 新しいpairwise propensity scoreを提案
– FTDockの形状相補性と組合せて良い結果を得た
• RNAがbound構造ならかなり良い
• Protein-RNAドッキングの戦略
– 剛体ドッキングの実行
– 形状相補性とpropensityでranking，上位数100を抽出
– 制限距離(?)などの情報でrankingを改良
• bottleneck
– 利用可能なunbound構造の少なさ
• homology-basedモデルのRNA構造の利用を
考える必要がある
34

35. Future work
• Protein-DNA pairwise propensityの開発
– Protein-RNAと似た結果になりそう
– DNA結合位置の予測やドッキングに応用したい
35