tooluniverse-protein-structure-prediction

タンパク質構造予測と解析

配列または UniProt アクセッションから始める、タンパク質構造予測のエンドツーエンドのワークフローです。ESMFold による de novo 予測、AlphaFold データベースからの取得、RCSB の実験構造を用いたベンチマーク、ProtVar による変異の影響評価、ProtParam による配列特性の計算を組み合わせます。

重要な原則：

1. まず配列を確認 — 予測の前にタンパク質配列を取得または検証します
2. 高速な de novo 予測には ESMFold — 配列に直接対応します（約800残基まで）。データベースの検索は不要です
3. 参照には AlphaFold — 比較用に事前計算済みの AlphaFold モデルを取得します。qualifier パラメーター（UniProt アクセッション）を使用します
4. 解釈より品質を優先 — 必ず pLDDT スコアを報告します。信頼度の低い領域を折りたたまれていると解釈しないでください
5. 実験による検証 — 利用可能な場合は、予測を RCSB の実験構造と比較します
6. 変異には ProtVar — 構造に影響する変異または SNV に関する質問に使用します
7. クエリは英語を優先 — すべてのツール呼び出しでは英語のタンパク質名を使用し、ユーザーの言語で回答します

推測せず、調べる

科学的事実に確信が持てない場合は、記憶に頼って推論するのではなく、まずデータベースを検索してください。データベースで検証した回答は、常に推測より信頼できます。

---

説明するのではなく、計算する

解析に計算（統計、データ処理、スコアリング、エンリッチメント）が必要な場合は、Bash 経由で Python コードを作成して実行してください。実行する内容を説明するだけでなく、実際に実行して結果を報告してください。ToolUniverse ツールでデータを取得し、その後 Python（pandas、scipy、statsmodels、matplotlib）で解析してください。

使用する場面

ユーザーから次のような依頼があった場合に適用します：

• 「この配列の構造を予測してください：[FASTA]」
• 「[protein] の AlphaFold モデルはどのようなものですか？」
• 「[protein] の AlphaFold 予測の信頼度はどのくらいですか？」
• 「[protein] の実験構造はありますか？AlphaFold とどのように比較できますか？」
• 「変異 [variant] は [protein] の構造にどのような影響を与えますか？」
• 「[protein] 配列の物理化学的特性は何ですか？」
• 「この新規タンパク質の構造を予測してください」／「新しい配列があります。モデルを作成できますか？」

対象外（代わりに tooluniverse-protein-structure-retrieval を使用）：ユーザーが PDB ID を指定する、または予測せずに実験構造を閲覧することを希望する、取得のみのタスク。

---

入力パラメーター

パラメーター	必須	説明	例
sequence	はい（ESMFold 用）	アミノ酸配列（1文字表記の FASTA）	MVLSPADKTNVK...
uniprot_id	はい（AlphaFold 用）	UniProt アクセッション	P04637、P69905
variant	いいえ	構造への影響を示す変異表記	P04637 R175H、TP53 R175H
max_length	いいえ	ESMFold の上限：約800残基を推奨	—

---

ワークフローの概要

Phase 0: Input preparation (sequence retrieval if needed)
    |
Phase 1: Sequence properties (ProtParam_calculate)
    |
Phase 2: De novo prediction (ESMFold_predict_structure)
    |
Phase 3: AlphaFold reference (alphafold_get_prediction + alphafold_get_summary)
    |
Phase 4: Experimental structure comparison (RCSBAdvSearch_search_structures, RCSBData_get_entry)
    |
Phase 5: Variant structural impact (ProtVar_map_variant + ProtVar_get_function) [if variant provided]
    |
Phase 6: Quality synthesis and interpretation

---

フェーズ 0：入力の準備

目的：ESMFold 予測に必要なタンパク質配列を取得または検証します。

配列がすでに提供されている場合

そのまま ESMFold_predict_structure に使用してください。長さを確認します：

• 1～400残基：全体を予測し、高い信頼度が期待できます
• 400～800残基：予測に対応していますが、時間がかかることがあります
• 800残基超：ESMFold は失敗するか、品質が低下する可能性があります。代わりに AlphaFold の使用を推奨します

タンパク質名または UniProt ID のみが提供されている場合

UniProt_get_entry_by_accession から配列を取得します：

• accession：UniProt アクセッション
• 応答から sequence.value フィールドを抽出します

注：アクセッションではなく名前のみが指定されている場合は、まず UniProt_search または MyGene_query_genes で UniProt アクセッションを特定し、その後に配列を取得します。

---

フェーズ 1：配列特性

目的：予測結果を適切に位置付けるため、予測前に物理化学的特性を計算します。

ツール

ProtParam_calculate:

• sequence：アミノ酸配列文字列（1文字コード）
• 戻り値：分子量、等電点（pI）、吸光係数、不安定性指標、GRAVY スコア、アミノ酸組成

報告する主な特性

• 分子量 — サイズの目安
• 等電点（pI） — 中性 pH での電荷
• 不安定性指標 — 40 を超える場合、タンパク質が不安定であることを示唆し、予測品質に影響します
• GRAVY スコア — 疎水性。0 を超える場合、膜への結合傾向を示します
• 長さ — ESMFold で予測可能かどうかを決定します

---

フェーズ 2：De Novo 構造予測（ESMFold）

目的：Meta の ESM-2 言語モデルを使用して、配列から 3D 構造を予測します。

ツール

ESMFold_predict_structure:

• sequence：アミノ酸配列文字列
• 戻り値：PDB 形式の予測構造、残基ごとの pLDDT 信頼度スコア、pTM スコア（全体的なフォールドの信頼度）

ワークフロー

1. 配列を指定して ESMFold_predict_structure を呼び出します
2. pLDDT スコアを解析します：
   • 残基ごとの信頼度配列
   • すべての残基にわたる平均 pLDDT を算出します
   • 信頼度の低い領域を特定します（pLDDT < 50）
3. pTM スコア（予測 Template Modeling スコア）を解析します — 全体的なフォールド品質を示します
4. 後続の可視化に使用するため、PDB 形式の座標出力を記録します

品質の解釈

pLDDT 範囲	解釈	信頼性
>90	非常に高い信頼度	実験品質に相当
70-90	高い信頼度	主鎖は信頼できますが、側鎖は概算です
50-70	低い信頼度	無秩序または柔軟な領域である可能性があります
<50	非常に低い信頼度	本質的に無秩序である可能性が高く、解釈しないでください

pTM スコア	フォールドの信頼度
>0.8	全体的なフォールドの信頼度が高い
0.5-0.8	中程度。一部のドメインは不確かな可能性があります
<0.5	全体的なフォールドの信頼度が低い

ESMFold と AlphaFold の比較

• ESMFold：高速で、配列を直接処理し、新規配列に適しており、データベース検索は不要です
• AlphaFold：多重配列アラインメント（MSA）を使用します。保存性の高いタンパク質では、通常、より高い精度が得られます
• どちらも単鎖の単量体構造を予測します（標準モードでは複合体を予測しません）

---

フェーズ 3：AlphaFold 参照モデル

目的：比較と高精度の参照用に、事前計算された AlphaFold2 モデルを取得します。

ツール

alphafold_get_prediction:

• qualifier（または別名 uniprot_id / uniprot_accession）：UniProt アクセッション（例："P04637"）
• 戻り値：AlphaFold モデルの URL、pLDDT スコア、モデルのバージョン

alphafold_get_summary:

• qualifier（または別名 uniprot_id / uniprot_accession）：UniProt アクセッション
• 戻り値：信頼度指標やモデル品質などの予測概要

alphafold_get_annotations（任意）:

• qualifier：UniProt アクセッション
• 戻り値：構造上に重ねて表示される機能領域の注釈（結合部位、活性部位）

AlphaFill_get_transplants（任意、リガンド／補因子）:

• uniprot：UniProt アクセッション（例：ABL1 の場合は "P00520"）
• 戻り値：相同性に基づいて AlphaFold モデルに移植されたリガンド、補因子、イオン。移植ごとの局所 RMSD とソース PDB ID を含みます
• 使用する場面：アポ AlphaFold モデルには結合リガンドや金属が含まれていません。これを実行すると、構造に基づく結合部位の解釈に必要となる、推定される補因子／リガンド／イオン環境（例：ABL1 → STI／イマチニブ）を復元できます

ワークフロー

1. alphafold_get_prediction と alphafold_get_summary を呼び出します
2. 平均 pLDDT と残基ごとの信頼度を抽出します
3. ESMFold と AlphaFold の pLDDT プロファイルを比較します：
   • 信頼度の低い領域について、両者の予測は一致していますか？
   • 大きな差異は、無秩序または柔軟な領域を示している可能性があります
4. AlphaFold モデルのバージョン（v1/v2/v3/v4）を記録します

判断ロジック

• UniProt アクセッションがない場合：AlphaFold はスキップし、ESMFold のみを使用します
• タンパク質が複合体または複数の鎖で構成される場合：両ツールは単一鎖を予測することを明記します。モノマーの信頼度だけでなく、マルチマーまたはタンパク質とリガンドの複合体についての質問であれば、下記の「複合体／リガンド結合予測（Boltz）」を参照してください
• AlphaFold の信頼度が非常に高い場合（平均 pLDDT > 85）：AlphaFold を主要な参照先として使用することを推奨します

---

複合体／リガンド結合予測（Boltz、有料 -- オプション）

ESMFold と標準の AlphaFold（上記）は単一鎖のみを予測します。質問が特に複合体（複数鎖の集合体、またはタンパク質とリガンドの結合）に関するものである場合、公式の Boltz API（Boltz_* ツール）がその不足を補います。ただし、このスキルの他の機能とは運用方法が異なります。BOLTZ_API_KEY が必要で、有料の非同期ジョブ（送信、ポーリング、取得）であり、無料の同期呼び出しではありません。

送信前に必ず費用を見積もってください：同じ入力でまず Boltz_estimate_structure_binding_cost を呼び出し、Boltz_start_structure_binding を呼び出す前にユーザーの確認を得てください。確認なしにユーザーに代わって有料ジョブを送信しないでください。再試行時の二重請求を避けるため、Boltz_start_structure_binding には呼び出し元が指定する idempotency_key も必要です。

ワークフロー：Boltz_estimate_structure_binding_cost（費用を確認） -> Boltz_start_structure_binding（送信） -> Boltz_get_structure_binding（ジョブ ID で完了までポーリング） -> 上記の ESMFold／AlphaFold と同じ方法で信頼度を解釈します。

複合体や結合に関する質問がなく、単純なモノマーの信頼度を確認する場合は、引き続き ESMFold と AlphaFold が適切な既定の選択肢です。無料で同期的に利用できます。質問への回答に不可欠な場合に限り、Boltz を使用してください。

---

膜トポロジーとシグナルペプチド予測（DTU ツール、オプション）

dtu_protein_predict は、BioLib クラウドランナー経由で、生の配列に対して DTU Health Tech の ML 予測ツールを実行します（pip install pybiolib、匿名で利用可能、アカウント不要）。これは ESMFold／AlphaFold の 3D 座標とは異なる問いに答えるもので、フォールドではなく、残基ごとのトポロジーと配列の特徴を予測します。

モデル	予測内容	ステータス（実稼働環境で確認済み）
deeptmhmm（既定）	残基ごとのトポロジー（内側／外側／TM ヘリックス／ベータストランド／シグナル）と TM 領域の表。タンパク質が膜タンパク質かどうか、また膜を何回貫通するかを調べる場合に使用します	信頼性あり
signalp	シグナルペプチドの検出と切断部位	信頼性あり — 実際のシグナルペプチドを持つ配列で実稼働確認済み：has_signal_peptide: true を正しく返し、22 番目の残基での切断を報告しました
deeploc	細胞内局在	原核生物のみ（DeepLocPro に対応します。真核生物向けの DeepLoc 2.0 は BioLib で公開されていません）。また、上流の BioLib アプリは現在、埋め込み処理中にクラッシュします（デバイスの不一致）。deeptmhmm／signalp を優先してください

ジョブは共有 BioLib クラウドインフラストラクチャ上で匿名で実行され、通常 2～5 分かかります。大きな配列や複数の配列では max_wait_time を増やし、応答が遅いからといって処理が停止したと判断しないでください。入力には FASTA テキスト、アミノ酸配列のみの文字列、または fasta_path を指定できます。pybiolib がない場合はスタックトレースではなく、インストール手順を示して正常にエラー終了します。ツールがすぐにエラーを返した場合は、まずこれを確認してください。

タンパク質が膜に関連する、または分泌される可能性がある場合（例：GRAVY スコア > 0、「受容体」や「分泌」を連想させる名前）には、これをフェーズ 1（ProtParam）と併用してください。膜トポロジーまたはシグナルペプチドの予測結果によって、ESMFold／AlphaFold の信頼度の読み取り方が変わります（膜貫通ヘリックスは、モデルが考慮しない脂質二重層に埋め込まれていても、高い pLDDT を示すことがよくあります）。

---

フェーズ 4：実験構造との比較

目的：PDB に実験構造が存在するか、また予測結果とどのように比較されるかを確認します。

ツール

RCSBAdvSearch_search_structures（タンパク質名／遺伝子名で検索）：

• query：タンパク質名または遺伝子シンボル
• limit：結果数（デフォルトは10）
• 戻り値：分解能、手法、タイトルを含むPDBエントリーの一覧

RCSBData_get_entry（特定のPDB IDの詳細）：

• pdb_id：4文字のPDB識別子
• 戻り値：手法、分解能、鎖、リガンド、公開日を含むメタデータ

ワークフロー

1. タンパク質名を使って実験構造を検索します
2. 分解能が最も高いX線またはクライオ電子顕微鏡の構造に絞り込みます
3. 最良の実験構造について、エントリーの詳細を取得します
4. 予測と比較します：
   • 実験構造が存在する場合：カバレッジ、分解能、手法を記録します
   • 高い信頼度で予測されているものの実験構造に存在しない領域を特定します（結晶中で無秩序になっている可能性があります）
   • 実験構造中でpLDDTが低い領域を特定します（真のフォールドではなく、結晶化に伴うアーティファクトの可能性があります）

フォールバック

• RCSB検索で結果がない場合：「PDBに実験構造が見つかりません」と記録し、予測のみで続行します
• 二次情報源としてPDBeを確認することを提案します

---

フェーズ5：変異の構造への影響（変異が指定されている場合）

目的：特定のアミノ酸置換が予測構造にどのような影響を与えるかを評価します。

ツール

ProtVar_map_variant：

• variant：「P04637 R175H」のような文字列表記、またはHGVS表記
• 戻り値：マッピングされた残基位置、ゲノム座標、変異の結果の種類、変異アクセッション

ProtVar_get_function：

• accession：UniProtアクセッション
• position：整数の残基位置
• variant_aa：変異後のアミノ酸（一文字表記）
• 戻り値：機能アノテーション（ドメイン、活性部位、結合部位、保存性スコア、臨床的意義、病原性予測）

ワークフロー

1. ProtVar_map_variantを呼び出して変異を解決し、位置を確認します
2. 野生型の位置を指定してProtVar_get_functionを呼び出し、ドメインの文脈を取得します
3. 変異した残基が重要な構造領域にあるか評価します：
   • 活性部位／結合部位：機能への影響が大きい可能性があります
   • 埋もれた疎水性コア：フォールドを不安定化させる可能性があります
   • 表面に露出した無秩序領域：全体的なフォールドへの影響は小さい可能性があります
4. その位置のpLDDT（ESMFold／AlphaFoldによる）を確認し、その領域の予測信頼度を評価します

変異の影響に関するエビデンスの評価

ティア	エビデンス
T1	この変異そのものに関する臨床／機能データ（ProtVarから）
T2	実験的に特徴づけられた活性部位または結合界面にある変異
T3	計算による病原性予測（ProtVarからのPolyPhen、SIFT）
T4	予測された構造領域内に位置することのみ

---

フェーズ6：品質の統合とレポート

必須のレポート項目

1. タンパク質の概要 — 名前、長さ、pI、安定性指数（ProtParamから）

2. 構造予測の概要表：

   手法	平均pLDDT	pTM／全体スコア	カバレッジ	備考
   ESMFold	X.X	X.X	100%（全配列）	—
   AlphaFold	X.X	—	100%	バージョン vN
   実験構造（最良）	N/A	N/A	XX%	PDB：XXXX、X線、X.X A

3. 信頼度マップ — 信頼度の高い領域と低い領域を示し、無秩序領域を強調します

4. 実験構造との比較 — PDBにカバレッジがあるか、予測とどのように一致するかを示します

5. 変異の影響（該当する場合） — ドメインの文脈、病原性、構造上の影響

6. 推奨事項：

   • 下流の用途（ドッキング、設計など）に使用するモデル
   • 信頼性が低いものとして扱うべき領域
   • 推奨される実験的検証方法

品質の最低要件

• ESMFoldとAlphaFoldの両方について平均pLDDTを報告します
• 信頼度の低い領域（pLDDT < 50）をすべて残基範囲で特定します
• PDBで実験構造を確認します（最低1件の検索クエリを実行）
• UniProtアクセッションがある場合は、少なくとも2つの予測ソースを比較します

---

ツールのパラメーターリファレンス

ツール	主要なパラメーター	備考
ESMFold_predict_structure	sequence	生のアミノ酸配列文字列を指定します。空白やFASTAヘッダーは含めません
alphafold_get_prediction	qualifier or uniprot_id	UniProtアクセッション（例："P04637"）
alphafold_get_summary	qualifier or uniprot_id	同じUniProtアクセッション
ProtParam_calculate	sequence	同じ配列文字列
ProtVar_map_variant	variant	形式："<UniProt_ID> <AA><pos><AA>"、例："P04637 R175H"
ProtVar_get_function	position	残基番号を整数で指定します

---

フォールバック戦略

状況	フォールバック
ESMFoldが失敗する（配列が長すぎる（> 800 aa））	AlphaFoldモデルのみを使用し、長さの制限について記載します
UniProt IDに対応するAlphaFoldエントリーがない	ESMFold予測のみを使用します
RCSB検索で結果が返されない	実験的構造がないことを記載し、予測を続行します
UniProtアクセッションを取得できない	生の配列からESMFoldを使用し、AlphaFoldはスキップします
ProtVarでバリアントが見つからない	フェーズ4のドメイン注釈から位置を手動で評価します

---

統合されているデータベース

データベース	対象範囲	提供内容
ESMFold	任意のタンパク質配列（最大約800 aa）	配列のみからのデノボ構造予測
AlphaFold DB	UniProtのレビュー済みタンパク質（2億件超）	残基ごとのpLDDTを含む事前計算済みの予測
RCSB PDB	約220,000件の実験的構造	比較用の実験的な正解座標
ProtVar	UniProtの全タンパク質	バリアントの影響、ドメインのコンテキスト、臨床注釈
ProtParam	任意の配列	配列の物理化学的特性
Boltz API（有料、BOLTZ_API_KEY）	マルチチェーン複合体、タンパク質とリガンドの結合	非同期ジョブです。最初に費用を見積もってください（上記の専用セクションを参照）

---

制限事項

• ESMFoldの長さ制限：約800残基を超える配列は、失敗したり品質が低下したりする場合があります
• 単一チェーンのみ（ESMFold/AlphaFold）：どちらも単量体を予測します。マルチチェーン複合体またはタンパク質とリガンドの結合については、上記のBoltzセクションを参照してください。有料であり、無料のデフォルトではありません
• 無秩序領域：pLDDT < 50は天然変性領域（IDR）を示します。これらを構造化された領域として解釈しないでください
• ダイナミクスには非対応：予測構造は静的であり、構造の柔軟性やアロステリック変化は表しません
• 新規フォールド：学習データに相同体がないタンパク質では、ESMFoldの予測が困難な場合があります
• AlphaFold DBの対象範囲：最近特性が明らかになった一部のタンパク質は、まだAlphaFoldデータベースに登録されていない可能性があります