人間の遺伝情報、すなわち人間の細胞がどのようなタンパク質から構成されるかという情報は、染色体の核酸の並び（核酸配列と呼ばれる）で表される。遺伝情報からタンパク質が作られるときには、まずその核酸配列に特定の物体（RNAポリメラーゼなど）がとりつき、配列上を一定区間滑って離れる。そのときこの物体は核酸配列をテープとする一種のチューリングマシンの役割を果たして、別の核酸配列を生成する。その核酸配列には、真核生物の場合さらに中に含まれたゴミ（イントロン）を捨てるという処理が挟まった後、また別のチューリングマシン（リボソームなど）がとりついて、配列上を一定区間滑って離れ、そのときアミノ酸配列を生成する。この生成されたアミノ酸配列が、折り畳まってある立体構造をとり、場合によっては複数の配列が合わさって、タンパク質になる。（図4.1-1）

　核酸配列はACGTの４文字種で表現されるので、このような特定部分配列も４文字種からなる文字列で表される。この文字列の発見には、マルチプルアライメントと呼ばれる手法が用いられる。これは、例えば「とりつき」の発生しそうな部分を実験によって複数入手した後、ギャップを適当に入れてそれらを並べることによって、共通な文字列パターンを発見する手法である。図4.1-2に簡単な例を示す。図では、ACGTの文字列を縦に揃えることにより、AATAAAという共通のパターンが見えている。これをかつては当然人間が目で見て並べていたが、動的計画法を用いて計算機で２つの文字列を並べる手法が確立されて以後、計算機によるマルチプルアライメントがさかんに研究されるようになった。以下はDNAでなくRNA配列やタンパク質のアミノ酸配列を対象にしたものだが、３つ以上の文字列を並列計算機を用いて並べる技術［1］、２つのマルチプルアライメント結果を並べる技術［2］、Ａ*アルゴリズムを用いる技術［3,4］などがその代表例である。

　先頭と末尾だけでなく、この物体のとりつき部分や、イントロンと呼ばれる遺伝子内のゴミ部分についても表現を試みたりすると、部分配列同士の相互の関係、つまり遺伝子の文法構造を考えるようになる。そこで仮定する文法クラスとしては、扱いやすい確率的文脈自由文法で納まるようにする研究がなされるようである［9］。このクラスに納まらない代表例としては、x_y_x_yで表わされるようなシュードノットと呼ばれる文法構造（図4.1-4参照）や、xⁿ yⁿ zⁿ のような所定数の反復のある文法構造などがある［10］。

　近年、核酸配列の解読が簡易化し、そのため遺伝子の核酸配列と、そこからほぼ一意に求まるアミノ酸配列の公開データが爆発的に増えている。しかし核酸配列に対応するアミノ酸配列が求まっても、その組成を持つタンパク質の機能はそこからは直接にはなかなか分からない。ただしタンパク質の機能は他のどのような物質と接触や結合が起こるかによってほとんどが決定されるので、立体構造がわかればその機能のかなりの部分が予測できると信じられている。よって、ヒモ状のアミノ酸配列が三次元的に折り畳まった形状を予測することが重要視されており、予測を競う国際的なコンテスト CASP［11］も隔年開催されている。このシミュレータの実現方法は大きく２通りあり、ひとつは分子動力学法によって力学モデルで算出してしまう方法、もうひとつは、配列が類似している構造既知タンパク質を参照する類似検索法である。後者は、かつては類似した配列断片を捜すだけの二次構造予測が主だったが、最近は３Ｄ−１Ｄ法やスレッディングと呼ばれる構造全体の類似検索が注目されている。

　分子動力学法によるタンパク質折り畳みで取り扱う問題は、タンパク質分子だけでなく溶液分子を含めた多体問題である。よって、電気力や万有引力など各種の相互作用を見積もりながら、微小時間毎に分子の位置を計算していくアプローチがとられる。この方法をとると、現在最高水準の計算機でも数か月かけて数ナノ秒分の折り畳み計算ができる程度と言われ、数ミリ秒かかる折り畳みのシミュレーションには少なくとも百万倍高速な計算機が要求される。これは大規模並列計算機の応用分野として注目されており、例えばバーンズハットモデルと呼ばれる宇宙科学の分野で用いられる方法を応用した効率的計算法に関する研究などが著名である［12］。

　二次構造予測は、構造と配列が既知のタンパク質を集めたデータベースにおいて、部分構造に二次構造と総称されるラベルが付されていて、そのラベルを構造未知の配列に正しく貼る予測である。二次構造のラベルでよく用いられるのはα、β、Ｌであり、それぞれ左巻き螺旋構造、シート構造やバレル構造、右巻き螺旋構造を表す。この場合はどれでもないものは無ラベルである。図4.1-5に示したタンパク質のリボン表示の例では、左上と右下の螺旋構造がα構造、中央の紐の往復がβ構造である。これらのラベルは、観察結果を大まかに分類する用途には特に支障がないが、構造予測をしたい場合にはおおまか過ぎるので、構造予測のために二次構造を細かく分類する研究も行われている［13,14］。

　二次構造予測には、PDBのような生のタンパク質立体構造データベースではなく、そのデータベースを加工した二次データベースであるタンパク質モチーフデータベース、例えばProSiteがよく用いられる［15］。これは特定の機能や構造を持つタンパク質にどのような配列パターンが含まれているかという情報をまとめたものである。昔はこの配列パターンを正規表現類似の形式で記録していた。例えばCytochromeCのモチーフ（の一部）はCxxCH という形式で表現される。これは、CytochromeCのアミノ酸配列には共通に適当な２残基挟んでCysteineが２つ含まれ、その直後にHistidineがくるようなパターンが存在することを表している。しかし、xxの部分にも弱い確率的傾向があるので、それも表現しようとして、近年はマルチプルアライメントを数値化したプロファイルと呼ばれる表現方法を併用するようになった。このプロファイルは、隠れマルコフモデルと基本的には同じ表現形式と言える。

　二次構造予測はProSiteのモチーフに自分で発見したモチーフを加え、未知配列とそのモチーフ群を突き合わせて、未知配列の断片とモチーフとの類似を見つけ出すことで行うのが一般的である。モチーフデータベースを隠れマルコフモデルの形式に変換して、生のデータからの学習の手間を軽減し精度を向上させる方法も考えられ、実際に核酸配列における遺伝子発現領域予測ではそのような研究がある［16］。二次構造は、当てやすいα構造で８割、比較的遠い残基間での相互作用を伴うためやや見つけにくいβ構造でも７割弱、全体でも７割弱くらい当たるというのが世間相場らしい。

　二次構造予測での大きな問題は、データベースの品質にある。同じ配列に対し、α構造に10票、β構造に2票入ったからといって、単純な多数決でα構造と決めてしまうのではなく、α構造に入った10票がどのような偏りを持った10票なのかを調査しなければならない。極端な例を挙げるなら、CytochromeCしかない偏ったデータベースからモチーフを抽出してそれをHemoglobinに適用しても、いい予測は得られないだろう。

　データベースの既知構造に構造未知の配列を次々にあてはめてみて、最も良くあてはまる物を求める３Ｄ−１Ｄ法という立体構造予測法が最近の注目を集めている。構造への配列のあてはめには、動的計画法などマルチプルアライメントとほぼ同じ手法が用いられる［17］。

このシミュレータの実現方式には、まず前章で紹介した分子動力学による方法が挙げられる。しかしナノ秒の範囲までしか実用時間内に計算できないという現状では、結合寸前の状態を人為的に作り上げ、そこから結合がどう起こるかを観察するくらいにしか使えないようである。これも折り畳みシミュレーション同様に数百万倍の性能向上が期待される。一方、特徴を抽出して経験的な判定や予測を行う方法もある。例えばタンパク質の凹凸を解析し、最大マッチングを探索する問題に帰着するアプローチが考えられ、これに関しては「数理形態学」の技術を適用した凹凸解析の研究［18］、遺伝的アルゴリズムを用いてドッキングの探索を行う分子設計支援ソフトウェア［19,20］などがある。

　現在WWW上で提供されている生化学反応データベースは数多いが、通常、情報の追加や修正はページ製作者が責任を持って慎重に行っているようである［21］。一方、生体内のさまざまな物質間の生化学反応の知識は、日夜増え続けている。そこで核酸配列の公共データベースGenBankやタンパク質の立体構造データベースPDBのように、実験結果を受け付けて拡大する公共データベースを用意したいという要求が発生する。生化学反応データベースの公共化に必要なのは、反応の要素としての物質の表現に関する技術と、反応シミュレータの構築技術であると考えられる。

反応とは、教科書的には「ある物質のOHと別の物質のHと、酵素と適当なエネルギーとを与えると、そこをH₂Oにするとともに両物質を結合させ、しかるべきエネルギーを発生する」などという格好をしている。この場合「OHを持つ物質」「Hを持つ物質」などがデータベース上での物質の表現になる。このデータベースに基づいて、実際の物質の名称が与えられた時にこの反応に該当するかどうかを判断するには、その名称の物質がOHを持つかどうか、Hを持つかどうかといった知識を蓄えたデータベースが別途必要になる。一方、実際の物質の分子構造が与えられた時にこの反応に該当するかどうかを判断するには、グラフの部分マッチングの仕組みが必要になる。

また、このような教科書的な反応記述ではなく、実験結果がデータベースに蓄積されている場合を考える。例えばカルボン酸（Ｒ1−ＣＯＯＨ）とアルコール（Ｒ2−ＯＨ）がエステル（Ｒ1ＣＯＯＲ2）と水になるという反応が、さまざまなカルボン酸とアルコールの組合せについてデータベースに多数蓄積されており、そこにＲ1部分の複雑なカルボン酸の化学構造が示され、関わりそうな反応について問合せがあったとする。この問合せに答えたいなら、化学構造の類似性判定、つまりグラフ間の類似判定の仕組みが必要になる。

タンパク質の機能のデータベースを構築する試みとして、判明している部分的な代謝反応を演繹オブジェクト指向言語の枠組みで知識ベースに蓄積していき、質問に応じて部分的な代謝反応ネットワークを構築して提供する研究がかつて行われた［22］。そこでは物質間の関係と反応間の関係を同じ枠組みで記述できるようにしており、ある反応がその全体のネットワークの中でどこに位置するかを動的に提示する機能の実現を目標としていた。しかし実際の構築はそのごく一部のプロトタイプに留まった。

　生化学反応データベースの問合せは、反応に関する質問か、物質の増減に関する質問だろう。前者は従来のデータベースや知識ベースの問合せ処理で対応可能だが、後者についてはシミュレータを構築する処理が必要になる。つまり、ある物質を増やしたり減らしたりしたら別の特定物質の量は一定時間内にどう変化するのか、という問合せに応じて、物質間の反応関係やそれら反応間の関係を記述したデータベースに基づき、２つの物質をつなぐ反応にはどのようなものがあるかを検索し、シミュレータを構築するのである。データベース上に問合せに応じて構築されるシミュレータ、あるいは未来に関する質問に答えるデータベースと言ってもよいが、これはデータベースの傾向に関する質問に答える技術、つまりデータマイニング［23］と呼ばれている技術の一種、もしくはその延長線上にある技術と言えるのかもしれない。

　染色体には多数の遺伝子が含まれている。各遺伝子にはその遺伝子の発現を制御する部分が付随しており、その部分の配列の差が発現の量に反映される。この部分配列による発現量制御は、制御因子と呼ばれる別のタンパク質が当該配列に結合することで行われることが多い。そのタンパク質の発現量制御には、また別のタンパク質が関係する。このように、遺伝子の発現には連鎖反応的な関係が存在する。よって前章の生化学反応系シミュレータ同様、部分的な知見を蓄積する公共遺伝子発現データベースの需要があり、遺伝子発現シミュレータの構築の需要がある。現在WWW上で提供されている遺伝子発現データベースは、生化学反応データベース同様、情報の追加や修正をページ製作者以外に開放している例は見当たらない［21］。遺伝子発現ネットワークはノードとなる遺伝子が文字列などによって比較的特定が容易であり、この点は生化学反応の表現に比べてやや扱いやすいと言えるが、それ以外の技術課題は生化学反応と同じと考えられる。

　生化学反応系や遺伝子発現系といった機能のネットワークを中心に必要最小限の系を構築し、細胞の代謝や分裂に関するシミュレーションを行う研究が、慶応大学冨田研のE-Cellプロジェクトにて行われている［24］。このプロジェクトは、単細胞バクテリアの生化学反応を丸ごとシミュレーションするもので、1997年には127個の遺伝子を持った仮想細胞モデルを構築し、ISMB98にも出展して賞を受けている。

［1］ 広沢他. ３次元ダイナミックプログラミングを活用した蛋白質のアライメントシステム. Genome Informatics Workshop II. pp.120-123. (1991).

［2］ Berger, M.P. and Munson, P.J. A Novel Randomized Iterative Strategy for Aligning Multiple Protein Sequences. CABIOS 7(4):479-484.

［3］ 十時他. アミノ酸配列のマルチプルアラインメントにおける反復改善過程の並列化とA*アルゴリズムの適用. 情報処理学会研究会論文誌. Vol.40 MPS No.2. (1999).

［4］ Kobayashi, H., and Imai, H. Improvement of the A* Algorithm for Multiple Sequence Alignment. Genome Informatics 1998. pp.120-130. (1998).

［5］ Tanaka, H., Asai, K., Ishikawa, M., and Konagaya, A. Hidden Markov Models and Iterative Alginers: Study of Their Equivalence and Possibilities. 1st Int. Conf. on Intelligent Systems for Molecular Biology. pp.395-401. (1993).

［6］ http://genemark.biology.gatech.edu/GeneMark/

［7］ Asai, K., Ueno, Y., and Yada, T. Recognition of Human Genes by Stochastic Parsing. Pacific Symposium on Biocomputing. (1998).

［8］ 矢田他. DNA配列のモチーフパターンを表現する隠れマルコフモデルの生成. 情報処理学会論文誌 Vol. 37 No.6 (1996).

［9］ Grate, L. et al. RNA Modeling Using Gibbs Sampling and Stochastic Context Free Grammars. 2nd Int. Conf. on Intelligent Systems for Molecular Biology. pp.138-146. (1994).

［10］ Searls, D.B. The Computational Linguistics of Biological Sequences. In Artificial Intelligence and Molecular Biology. AAAI Press. pp.47-120. (1993).

［11］ http://PredictionCenter.llnl.gov/casp3/Casp3.html

［12］ 斎藤他. 分子動力学法プログラムAMBERとBarnes-Hut tree codeの並列化による高速化. 並列処理シンポジウムJSPP'98. pp.231-238. (1998).

［13］ 鬼塚他. 多次元分布の線形基底変換による圧縮表現の提案、及びタンパク質残基間相対位置分布への応用. 第21回 情報処理学会 数理モデル化と問題解決研究会. pp.37-42.(1998).

［14］ Matsuo, Y. A Systematic Analysis of Protein Folding Patterns. Master thesis, Department of Biophysics, Kyoto U. (1990).

［15］ http://www.motif.genome.ad.jp/

［16］ Asai, K., Yada, T., and Itou, K. Finding Genes by Hidden Markov Models with a Protein Motif Dictionary. Genome Informatics 1996. pp.88-97. (1996).

［17］ Akutsu, T. Protein Structure Alignment Using a Graph Matching Technique. Genome Informatics 1995. pp.1-8. (1995).

［18］ http://bio.ics.kagoshima-u.ac.jp/~masatom/researchj.html

［19］ http://www.protein.osaka-u.ac.jp/csd/koshu.html

［20］ http://www.immd.co.jp/programs/programs-j.html

［21］ http://www.genome.ad.jp/kegg/

［22］ Tanaka, H. Protein Function Database as a Deductive and Object-Oriented Database. Database and Expert Systems Applications 1991. pp.481-486. (1991).

［23］ Weiss, S. and Indurkhya, N. Predictive Data Mining. Morgan Kaufmann. (1998).

［24］ http://www.e-cell.org/

【次へ】