Ｇタンパク共役型受容体判別装置、判別方法、判別プログラム及びそのプログラムを記録した記録媒体
【課題】 タンパク質がＧタンパク共役型受容体であるか否かを精度よく判別可能な装置を提供すること。
【解決手段】 タンパク質のアミノ酸配列データを、アミノ酸のクラス毎の識別子で表した識別子配列データに変換する配列変換手段（６）、識別子配列データを分割し、生成されたフラグメントの総数に対する各々のフラグメントの数の割合としてフラグメント頻度を求める頻度算出手段（７）、タンパク質の残基数、疎水性指標及び頻度から特徴ベクトルを生成する特徴ベクトル生成手段（８）、複数のタンパク質の特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用い、サポートベクターマシンによりＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段（９）、及び判別対象の特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象がＧタンパク共役型受容体か否かを判別する判別手段（１０）を備える。
【解決手段】 タンパク質のアミノ酸配列データを、アミノ酸のクラス毎の識別子で表した識別子配列データに変換する配列変換手段（６）、識別子配列データを分割し、生成されたフラグメントの総数に対する各々のフラグメントの数の割合としてフラグメント頻度を求める頻度算出手段（７）、タンパク質の残基数、疎水性指標及び頻度から特徴ベクトルを生成する特徴ベクトル生成手段（８）、複数のタンパク質の特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用い、サポートベクターマシンによりＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段（９）、及び判別対象の特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象がＧタンパク共役型受容体か否かを判別する判別手段（１０）を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別装置、判別方法、判別プログラム及びそのプログラムを記録した記録媒体に関する。
【背景技術】
【０００２】
受容体は、細胞に存在し、細胞外の結合物質を認識し、その結合物質の情報に基づいて細胞に応答を誘起する構造体からなるタンパク質である。各受容体は、それぞれ特定の結合物質を認識する。
【０００３】
生体内の細胞膜上に存在する受容体は、イオンチャンネル型受容体、酵素活性内蔵型受容体、及びＧタンパク共役型受容体の３種類に大別される。これらの中でＧタンパク共役型受容体には、構造的に関連したタンパク質が種々存在し、それらがスーパーファミリーを構成している。Ｇタンパク共役型受容体は、細胞膜貫通部位が７ヵ所存在し、αβγサブユニットからなるＧタンパク質を介してその情報を細胞内に伝達する。
【０００４】
このＧタンパク共役型受容体の刺激により活性化されたＧタンパク質は、細胞膜の内側で酵素やイオンチャンネルと結合してそれらの活性を制御する。その結果、細胞内ではシグナル分子が生成又は消失し、細胞外あるいは細胞内小器官からイオンが流入する。細胞内で調節されたシグナル分子は、最終的に何らかのプロテインキナーゼ（タンパク質リン酸化酵素）の活性化などを介して複雑で多様な生物学的機能を発現する。
【０００５】
Ｇタンパク共役型受容体には、アドレナリン、セロトニン、ヒスタミン、プロスタグランジン、アセチルコリンなどの低分子を結合物質とする受容体ファミリーと、アンジオテンシンＩＩ、ガストリン等のペプチドのような高分子を結合物質とする受容体ファミリーがある。
【０００６】
現在販売されている臨床薬の３０〜５０％は、このＧタンパク共役型受容体を標的とするリガンド（結合物質）であると考えられている。従って、新規Ｇタンパク共役型受容体の探索は、アゴニストやアンタゴニストなどのＧタンパク共役型受容体に特異的なリガンドの探索に有用であることが知られている。Ｇタンパク共役型受容体は現在でも新薬発見の宝庫であると期待され、本受容体のアゴニストやアンタゴニストを得るために分子生物学の技術を用いて多くのＧタンパク共役型受容体が同定されているが、その結合物質が未だ同定されていないオーファン受容体（Ｏｒｐｈａｎ ＧＰＣＲ）も多く存在している。Ｇタンパク共役型受容体が従来から医薬品開発の標的分子として多く取り上げられてきた理由には、このＧタンパク共役型受容体は細胞内の情報伝達に重要な役割を担っている事、Ｇタンパク共役型受容体に作用する薬剤の基本的な構造要素に関する知見が多い事、Ｇタンパク共役型受容体は種類が多く多様性に富んでおり未知のものも数多く存在していると考えられる事、等がある。従って、新規Ｇタンパク共役型受容体タンパク質の解析を通して、新しい生体内情報伝達機構の発見や、新規薬物標的タンパク質の同定も期待できる。
【０００７】
近年、ゲノミクス、プロテオミクスの発展により多くの新規なＧタンパク共役型受容体が発見されているが、実験による解析は、非常に時間と費用が掛かることから、新規Ｇタンパク共役型受容体の探索の効率的な方法とは言えなくなってきている。最近では、新規Ｇタンパク共役型受容体の探索にバイオインフォマティクスの技術を用いて、実験的手法によらない、あるいは実験の負荷を軽減する目的で、ゲノム配列若しくは、アミノ酸配列よりＧタンパク共役型受容体を予測する手法が開発されている。
【０００８】
下記特許文献１及び非特許文献８には、新規Ｇタンパク共役型受容体の遺伝子やタンパク質を検索する方法が開示されている。即ち、アミノ酸配列の長さが２００〜１５００であり、６〜８の細胞膜貫通領域を含むオープンリーディングフレーム（ＯＲＦ）をゲノム配列上から検索し、得られたＯＲＦと既知のＧタンパク共役型受容体とのホモロジーを評価して新規Ｇタンパク共役型受容体遺伝子を検索する方法が開示されている。
【０００９】
下記特許文献２には、新規Ｇタンパク共役型受容体配列を効率的に抽出する方法を開示している。即ち、ゲノム配列から遺伝子の探索、既知のＧタンパク共役型受容体とのホモロジー検索、モチーフ及びドメインの帰属、膜貫通領域の予測を行い、それぞれの和集合により、候補配列の抽出する方法が開示されている。また、特許文献２では、抽出した配列に関し、重複配列の除去、及び誤予測により分離された断片配列の融合により遺伝子候補の質を向上させている。
【００１０】
下記非特許文献１には、未知のタンパク質をサポートベクターマシン(Support Vector Machine：以下、ＳＶＭと記す)を用いて、既知のクラスに分類する方法が開示されている。非特許文献１では、アミノ酸の出現頻度（文字単位）、疎水性指標、Van der Waals Volume、極性、分極率、電化、表面張力、二次構造、solvent accessibilityを用いて、タンパク質を特徴化している。
【００１１】
また、下記非特許文献２〜６には、Ｇタンパク共役型受容体タンパク質を判別する上で使用できる種々の疎水性指標が開示されており、下記非特許文献７には、ＳＶＭの内容が開示されている。
【００１２】
このようにＧタンパク共役型受容体タンパク質をゲノム配列、或いは機能既知タンパク質から検索する方法が知られているが、新規な生体内情報伝達機構の発見や新規薬物標的タンパク質の同定を可能とすることができる新規Ｇタンパク共役型受容体タンパク質をアミノ酸配列データベース上で網羅的に検索することにより予測精度の高い新しいＧタンパク共役型受容体の判別方法が要望されている。
【特許文献１】特開２００２−１１２７９３号公報
【特許文献２】特開２００３−２８４５７３号公報
【非特許文献１】Cai CZ, et al., Nucleic Acids Research, Vol.31, No.13, 3692-3697(2003)
【非特許文献２】Kyte J and Doolittle RF, J. Mol. Biol., Vol.157, 105-132(1982)
【非特許文献３】Goldsack DE, et al., J. Theor. Biol., Vol.39, 645-651(1973)
【非特許文献４】SweeT RM, et al., J. Mol. Biol., Vol.171, 479-488(1983)
【非特許文献５】Zimmerman JM, et al., J. Theor. Biol., Vol.21, 170-201(1968)
【非特許文献６】Ponnuswamy PK. Prog. Biophys. Mol. Biol., Vol.59, 57-103(1993)
【非特許文献７】Vapnik VN, The Nature of Statistical Learning Theory, Springer(1995)
【非特許文献８】Takeda T, et al., FEBS Letters, Vol.520, 97-101(2002)
【発明の開示】
【発明が解決しようとする課題】
【００１３】
しかしながら、上述した従来のＧタンパク共役型受容体タンパク質の予測方法は、配列類似性を主に指標として用いている。その予測成績は、配列相同性が低い場合において、十分ではない。例えば、非特許文献８に開示されている既知Ｇタンパク共役型受容体を用いた予測成績は高々５７％である。
【００１４】
本発明の目的は、新しい手法を用いてアミノ酸配列データベースを網羅的に検索することにより、判別精度の高いＧタンパク共役型受容体判別装置、判別方法、判別プログラム及びそのプログラムを記録した記録媒体を提供することにある。
【課題を解決するための手段】
【００１５】
本発明者らは、既知のタンパク質のアミノ酸配列データを用いて、アミノ酸残基数、疎水性指標、アミノ酸構成頻度を基にＧタンパク共役型受容体タンパク質が有する配列上の特徴についてモデル化を行った。そして、構築したモデルに機能未知のタンパク質の配列データを提供し、Ｇタンパク共役型受容体タンパク質である可能性について評価することによって、機能未知のタンパク質が、Ｇタンパク共役型受容体タンパク質である可能性を予測可能であることを見出した。特に、既知Ｇタンパク共役型受容体タンパク質を対象としてＧタンパク共役型受容体タンパク質が有するアミノ酸配列上の特徴を抽出し、ＳＶＭにてＧタンパク共役型受容体タンパク質のアミノ酸配列間に内在する規則を学習させた後、未知のタンパク質のアミノ酸配列をこの学習機械に入力し、ＳＶＭにて、学習された規則に基づいて新規なＧタンパク共役型受容体タンパク質の可能性を判定する装置及びその方法を利用することにより公知の配列データベース上で網羅的に検索することにより新規Ｇタンパク共役型受容体タンパク質を得ることが可能であることを見出した。
【００１６】
上記目的を達成するために、本発明に係るＧタンパク共役型受容体判別装置（１）は、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する配列変換手段と、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出手段と、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する特徴ベクトル生成手段と、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段と、判別対象のタンパク質に関する特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別手段とを備えることを特徴としている。
【００１７】
また、本発明に係るＧタンパク共役型受容体判別装置（２）は、上記のＧタンパク共役型受容体判別装置（１）において、複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００１８】
また、本発明に係るＧタンパク共役型受容体判別装置（３）は、上記のＧタンパク共役型受容体判別装置（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００１９】
また、本発明に係るＧタンパク共役型受容体判別装置（４）は、上記のＧタンパク共役型受容体判別装置（１）〜（３）の何れかにおいて、前記フラグメントの長さが１以上６以下の範囲の整数値であることを特徴としている。
【００２０】
また、本発明に係るＧタンパク共役型受容体判別装置（５）は、上記のＧタンパク共役型受容体判別装置（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００２１】
また、本発明に係るＧタンパク共役型受容体判別装置（６）は、上記のＧタンパク共役型受容体判別装置（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００２２】
また、本発明に係るＧタンパク共役型受容体判別装置（７）は、上記のＧタンパク共役型受容体判別装置（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００２３】
また、本発明に係るＧタンパク共役型受容体判別方法（１）は、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する第１ステップと、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める第２ステップと、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する第３ステップと、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する第４ステップと、判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する第５ステップとを含むことを特徴としている。
【００２４】
また、本発明に係るＧタンパク共役型受容体判別方法（２）は、上記のＧタンパク共役型受容体判別方法（１）において、複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００２５】
また、本発明に係るＧタンパク共役型受容体判別方法（３）は、上記のＧタンパク共役型受容体判別方法（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００２６】
また、本発明に係るＧタンパク共役型受容体判別方法（４）は、上記のＧタンパク共役型受容体判別方法（１）〜（３）の何れかにおいて、前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴としている。
【００２７】
また、本発明に係るＧタンパク共役型受容体判別方法（５）は、上記のＧタンパク共役型受容体判別方法（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００２８】
また、本発明に係るＧタンパク共役型受容体判別方法（６）は、上記のＧタンパク共役型受容体判別方法（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００２９】
また、本発明に係るＧタンパク共役型受容体判別方法（７）は、上記のＧタンパク共役型受容体判別方法（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００３０】
また、本発明に係るＧタンパク共役型受容体判別プログラム（１）は、コンピュータに、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する機能と、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出機能と、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する機能と、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する機能と、判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する機能とを実現させることを特徴とする。
【００３１】
また、本発明に係るＧタンパク共役型受容体判別プログラム（２）は、上記のＧタンパク共役型受容体判別プログラム（１）において、複数の既知のＧタンパク共役型受容体タンパク質、及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００３２】
また、本発明に係るＧタンパク共役型受容体判別プログラム（３）は、上記のＧタンパク共役型受容体判別プログラム（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００３３】
また、本発明に係るＧタンパク共役型受容体判別プログラム（４）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（３）の何れかにおいて、前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴としている。
【００３４】
また、本発明に係るＧタンパク共役型受容体判別プログラム（５）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００３５】
また、本発明に係るＧタンパク共役型受容体判別プログラム（６）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００３６】
また、本発明に係るＧタンパク共役型受容体判別プログラム（７）は、上記のＧタンパク共役型受容体判別プログラム（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００３７】
また、本発明に係るＧタンパク共役型受容体判別プログラムを記録したコンピュータ読み取り可能な記録媒体は、上記のＧタンパク共役型受容体判別プログラム（１）〜（７）の何れかを記録していることを特徴としている。
【発明の効果】
【００３８】
本発明によれば、タンパク質がＧタンパク共役型受容体であるか否かを高い精度で判別することができるので、実験を行う前に新規Ｇタンパク共役型受容体タンパク質候補を予め絞り込むことができ、総当り的な膨大な実験を行うことなくＧタンパク共役型受容体タンパク質を効率良く発見することが可能となる。
【００３９】
また、従来の予測法のようにアミノ酸配列の相同性に頼ることなく、アミノ酸配列から直接に特徴量を抽出し、これに基づいて判別を行うため、相同性タンパク質に関する情報を持たない機能未知のタンパク質配列をも判別することが可能である。
【００４０】
従って、本発明は、新規Ｇタンパク共役型受容体タンパク質の作用を利用するバイオテクノロジーを用いる創薬の分野、さらにはこれらの基礎研究としてのバイオインフォマティクス、プロテオミクス、生命科学分野全般にわたって適用可能である。
【発明を実施するための最良の形態】
【００４１】
以下、本発明に係るＧタンパク共役型受容体判別装置及びその判別方法に関して、添付図を参照しながら説明する。
【００４２】
図１は、本発明の実施の形態に係る新規Ｇタンパク共役型受容体タンパク質判別装置の概略構成を示すブロック図である。図１に示したように、本判別装置は、各部を制御するＣＰＵ１、記録部２と、メモリ３、操作部４、表示部５、配列変換部６、頻度算出部７、特徴ベクトル生成部８、判別モデル生成部９、判別部１０、及びデータバス１１を備えている。本判別装置は、機能未知のタンパク質がＧタンパク共役型受容体であるか否かを判別するための基準となるＧタンパク共役型受容体判別モデルを生成する機能、及びＧタンパク共役型受容体判別モデルを用いて実際に判別を行う機能（Ｇタンパク共役型受容体判別機能）の２つの機能を持っている。
【００４３】
図２、３は、本判別装置の動作を説明するフローチャートである。以下、これらのフローチャートに従って、本判別装置の動作を説明する。ここで、記録部２には、予め既知のＧタンパク共役型受容体タンパク質のアミノ酸配列、Ｇタンパク共役型受容体以外の膜タンパク質のアミノ酸配列、可溶性タンパク質のアミノ酸配列が所定の形式で記録されているとする。また、特に断らない限りＣＰＵ１が行う処理として記載し、種々のデータ処理はメモリ３上のワーク領域で実行される。メモリ３は処理途中及び処理結果データの一時記憶にも使用され、処理結果データは記録部２にも適宜記録される。また、処理途中のデータ又は処理結果データは、表示部５内部のビデオメモリ（図示せず）に伝送され、所定の形式で、例えばＣＲＴ表示装置、液晶表示装置（いずれも図示せず）などに表示される。また、操作部４は例えば、コンピュータ用のキーボード、マウスなどであり、使用者により操作されて指示が入力される。まず図２のフローチャートに従って、Ｇタンパク共役型受容体判別モデルの生成機能に関して説明する。
【００４４】
ステップＳ１において、操作部４を介して、所定の自然数Δ及び、判別モデルの生成に使用するタンパク質のアミノ酸配列データの総数Ｎの入力を受け付け、繰り返し処理のカウンタｉに初期値として１をセットする。
【００４５】
ステップＳ２において、記録部２に記録されている複数のタンパク質（既知のＧタンパク共役型受容体タンパク質、Ｇタンパク共役型受容体以外の膜タンパク質、可溶性タンパク質）のアミノ酸配列データの中から、１つのアミノ酸配列データＡｉを読み出す。
【００４６】
ここで、アミノ酸配列データＡｉは、例えばインターネットのウェブに公開されている公共或いは私的なデータベースから取得したデータである。データベースの例としては、ＳＷＩＳＳ−ＰＲＯＴタンパク質データベース（http://www.psc.edu/general/software/packages/swiss/swiss.html）がある。また、アミノ酸配列としては、Ｇタンパク共役型受容体としてデータベースに登録されている配列を用いるのが特に好ましい。これらの配列は、例えば、"An Internet review: the complete neuroscientist scours the World Wide Web." Bloom FE, Science 1996; 274(5290):1104-9に詳細が記載されているＧＣＲＤｂ（The G-protein-coupled Receptor Database）（http://www.gcrdb.uthscsa.edu/）、ＧＰＣＲＤＢ（http://www.gpcr.org/7tm/）、ＥｘＰＡＳｙ（http://www.expasy.ch/cgi-bin/sm-gpcr.pl）、ＯＲＤＢ（http://senselab.med.yale.edu/senselab/ORDB/default.asp）等から入手できる。
【００４７】
さらに、Ｇタンパク共役型受容体としてデータベースに登録されている配列のみならず、ＧｅｎｅＢａｎｋ（ftp://ncbi.nlm.nih.gov/genbank/genomes/）、ＥＮＳＥＭＢＬ（http://www.ensembl.org）、ＰＩＲ（http://www-nbrf.georgetown.edu/pir/、(National Biomedical Research Foundation(NBRF))、Ｓｗｉｓｓ Ｐｌｏｔ（http://www.expasy.ch/sprot/sprot-top.html、Swiss Institute of Bioinformatics(SIB)、European Bioinfomatics Institute(EBI)）、ＴｒＥＭＢＬ（ＵＲＬ及び管理者ともにＳｗｉｓｓ Ｐｌｏｔと同じ）、ＴｒＥＭＢＬＮＥＷ（ＵＲＬ及び管理者ともにＳｗｉｓｓ Ｐｌｏｔと同じ）等のデータベースに登録されているヒト(H.sapiens)、マウス（M.musculus）、ラット(R.norvegicus)、ゼブラフィッシュ（D. rerio）、ショウジョ ウバエ(D. melanogaster)、線虫(C. elagans)、酵母(S.cerevisiae)、シロイヌナズナ(A. thaliana)などの如何なるアミノ酸配列を用いることもできる。
【００４８】
これらのデータベースは単なる例示であり、タンパク質のアミノ酸配列が登録されているものであれば如何なるデータベースを用いることもできる。
【００４９】
ステップＳ３において、ステップＳ２で読み出したアミノ酸配列データＡｉから、配列の長さＬｉ、疎水性指標Ｈｉ、及びＧタンパク共役型受容体変数ｙｉを決定する。ここで、配列の長さＬｉは、そのタンパク質のアミノ酸残基の総数であり、読み出したアミノ酸配列Ａｉデータから算出する。一方、Ｇタンパク共役型受容体変数ｙｉは、そのタンパク質がＧタンパク共役型受容体であるか否かを示す変数であり、Ｇタンパク共役型受容体であれば“１”であり、Ｇタンパク共役型受容体で無ければ“−１”を設定する。Ｇタンパク共役型受容体変数ｙｉは、タンパク質のアミノ酸配列に対応させて予め記録部２に記録されていてもよく、その場合には、Ｇタンパク共役型受容体変数ｙｉを記録部から読み出せばよい。
【００５０】
また、疎水性指標Ｈｉの計算には、Kyte-Doolittle法における疎水親水指数（Hydropathy index、上記非特許文献２）、Goldsack-Chalifoux法における疎水性因子（Hydrophobicity factor、上記非特許文献３）、Sweet-Eisenberg法における最適化マッチング疎水性（Optimal matching hydrophobicity、上記非特許文献４）、Zimmerman法における疎水性（Hydrophobicity、上記非特許文献５）、及びPonnuswamy法における疎水性スケール（Hydrophobicity scales、上記非特許文献６）のいずれかを使用すればよい。詳細は後述するが、これらの疎水性指標のうち、疎水親水指数（Hydropathy index）が最も好ましい。
【００５１】
ステップＳ４において、ＣＰＵ１が、ステップＳ２で取得したアミノ酸配列データＡｉを配列変換部６に伝送し、配列変換部６が、伝送されたアミノ酸配列データＡｉを所定の識別子の配列データに変換する。即ち、予めタンパク質を構成するアミノ酸が属するクラス毎に識別子が付与されており、それらが対応付けられて、例えば記録部２に対応テーブルとして記録されており、配列変換部６が、その対応テーブルを参照しながら、伝送されたアミノ酸配列データＡｉを識別子で表わされた配列データ（以下、識別子配列データと記す）に変換する。識別子には、数字、アルファベット、記号など任意の文字を使用すれば良い。ここでは一例として、表１に示した識別子を使用することとする。即ち、ヒスチジン（His）、アルギニン（Arg）、リジン（Lys）などの塩基性アミノ酸の識別子を“１”とし、アスパラギン酸（Asp）、グルタミン酸（Glu）などの酸性アミノ酸の識別子を“２”とし、フェニルアラニン（Phe）、チロシン（Tyr）、トリプトファン（Trp）などの芳香族アミノ酸の識別子を“３”とし、プロリン（Pro）などのイミノ酸の識別子を“４”とし、その他の脂肪族アミノ酸（Other）の識別子を“５”とする。
【００５２】
【表１】
【００５３】
ステップＳ５において、配列変換部６が、ステップＳ４で変換した識別子配列データ（アミノ酸配列データＡｉに対応）を頻度算出部７に出力し、頻度算出部７が、ステップＳ１で指定された値Δを単位長さ（アミノ酸残基の個数）として、入力された識別子配列データを先頭から分割する。分割された単位長さの識別子配列データを、アミノ酸フラグメントと呼ぶ。Δとしては、任意の自然数を使用することができるが、後述するように１〜６の値が望ましく、その中でも５が最も望ましい。
【００５４】
ステップＳ６において、頻度算出部７は、ステップＳ５で生成されたアミノ酸フラグメントの頻度を求める。即ち、頻度算出部７は、ステップＳ５で生成されたアミノ酸フラグメントの総数に対する各アミノ酸フラグメントａｉｊの個数の割合を、頻度Ｆｉｊとして求める。一例として、Δ＝５とした場合を表２に示す。表２では、アミノ酸フラグメントａｉｊは、表１の識別子１〜５を用いて標記した順列として、昇順に表記されている。この場合、アミノ酸フラグメントの総数は、５５＝３１２５である。
【００５５】
【表２】
【００５６】
ステップＳ７において、頻度算出部７が、頻度Ｆｉｊを特徴ベクトル生成部８に出力し、特徴ベクトル生成部８は、入力された頻度ＦｉｊとステップＳ３で取得した配列長Ｌｉ及び疎水性指標Ｈｉとを対応つけて、ベクトルデータｘｉを生成する。具体的には、ベクトルデータｘｉは、例えばｘｉ＝（Ｌｉ，Ｈｉ，Ｆｉ１，…，ＦｉＭ）である。Ｍは可能なアミノ酸フラグメントの総数であり、Δ＝５の場合、Ｍ＝３１２５である。また、Ｆｉ１，…，ＦｉＭの順序は、所定の順序であればよく、例えば表２に示した番号ｊの順である。
【００５７】
ステップＳ８において、特徴ベクトル生成部８は、ベクトルデータｘｉをＧタンパク共役型受容体変数ｙｉと対応させて記録部２に記録する。
【００５８】
ステップＳ９において、カウンタｉがＮよりも小さいか否かを判断し、小さいと判断すれば、ステップＳ１０に移行して、カウンタｉを１増加させて、ステップＳ２に戻る。このように、ＣＰＵは、配列変換部６、頻度算出部７、特徴ベクトル生成部８を制御ながら、カウンタｉがＮ以上になるまで、ステップＳ２〜Ｓ８を繰り返し、記録部２から順にタンパク質配列データＡｉを読み出し、対応するベクトルデータｘｉを生成し、Ｇタンパク共役型受容体変数ｙｉと対応させて記録部２に記録する。
【００５９】
ステップＳ９において、ｉ＜Ｎでないと判断すればステップＳ１１に移行し、判別モデル生成部９が、Ｇタンパク共役型受容体判別モデルを生成する。即ち、Ｇタンパク共役型受容体判別モデルの生成は、ステップＳ８で記録されたベクトルデータｘｉ（ｉ＝１〜Ｎ）をパターン認識のための特徴ベクトルとし、Ｇタンパク共役型受容体変数ｙｉ（ｉ＝１〜Ｎ）と共に一連のトレーニングデータとして、サポートベクターマシンＳＶＭに入力することによって行なわれる。ＳＶＭは公知の技術であるので、ここでは簡単に説明する。
【００６０】
ＳＶＭは、認識対象のサンプル集合を２つのクラスに分類する方法であって、１９６０年代にVapnik等が提案したOptimal Separating Hyperplaneを起源とする。即ち、多次元ベクトル空間上に位置する各サンプルを分離することができる２つの超平面を決定する方法である。通常、サンプル集合を明確に分離できる、即ち線形分離可能な場合は少ないので、ソフトマージンを導入する方法がある。さらに、１９９０年代になってカーネル学習法と組み合わされた非線形の識別方法へと拡張された。カーネルトリックにより非線形の識別関数が構成できるように拡張されたＳＶＭは、現在知られている手法の中でも最もパターン認識性能の高い学習モデルの一つである（上記非特許文献７参照）。認識対象に応じて種々のＳＶＭを使用することができるが、ここでは、一例としてソフトマージンを導入したＳＶＭを使用する場合を説明する。
【００６１】
パターン認識には、認識対象から何らかの特徴量を計測（抽出）することが必要である。一般に、１種類の特徴量だけではなく複数の特徴量を計測し、それらを同時に使用して認識を行う。
【００６２】
ＳＶＭでは正しい例である正例と誤った例である負例の２つのクラスのいずれかに属するｒ個のトレーニング用データの集合（ｘ１，ｙ１），…（ｘｒ，ｙｒ）を準備する。ここで、ｘｉは、データｉの特徴ベクトル（ｎ次元ベクトル）である。また、ｙｉは、データｉが正例の場合“＋１”の値をとり、負例の場合には、“−１”の値をとるスカラーの変数である。ここでは、Ｇタンパク共役型受容体であるタンパク質の特徴ベクトルとして、上記ステップＳ８で記録部に記録したベクトルデータｘｉ及びＧタンパク共役型受容体変数ｙｉを用いる。即ち、配列の長さＬ、疎水性指標Ｈ、アミノ酸フラグメントの頻度（Ｆ１，…，ＦＭ）を用いて、Ｇタンパク共役型受容体であるタンパク質の特徴ベクトルは、ｘｉ＝（Ｌｉ，Ｈｉ，Ｆｉ１，…，ＦｉＭ）、ｙｉ＝１で表され、Ｇタンパク共役型受容体でないタンパク質の特徴ベクトルは、ｘｊ＝（Ｌｊ，Ｈｊ，Ｆｊ１，…，ＦｊＭ）、ｙｊ＝０で表される。ここで、ｉ＝１〜Ｎである。
【００６３】
これら複数の特徴ベクトル（以下、トレーニングセットと記す）（ｘ１，ｙ１），…（ｘＮ，ｙＮ）を（Ｍ＋２）次元Ｅｕｃｌｉｄ空間上の（ｗ・ｘ）＋ｂ＝０なる超平面で分離する。ここで、ｗもベクトルであり、ｗ・ｘは２つのベクトルの内積（スカラー）を表し、ｂは（≦０）スカラーである。この際、近接する正例と負例のデータ間の距離が大きい方が、精度良くデータを分類できる。ここで、（ｗ・ｘ）＋ｂ＝１で表される正例側の分離超平面Ｈ１と、（ｗ・ｘ）＋ｂ＝−１で表される負例側の分離超平面Ｈ２とを考える。
【００６４】
２つの分離超平面Ｈ１、Ｈ２間の距離は、２／‖ｗ‖である。この距離を最大にするには、‖ｗ‖を最小にすればよい。ある関数のとる値が最小値となる時、‖ｗ‖が最適値をとるような関数を目的関数と呼ぶ。この場合、下記の目的関数Φを使用すればよい。
【００６５】
【数１】
【００６６】
ここで、ξｉは、トレーニングデータｘｉ（ｉ＝１〜Ｎ）が分離超平面によって分離できない場合、即ち訓練データｘｉの正例／負例を誤認識してしまう場合の訓練データｘｉの分離超平面からの距離を表す非負の変数である。式１の右辺第一項は、２つの分離超平面Ｈ１とＨ２との間の距離の逆数の２乗に比例しているので、この項の値が小さいほど２つの分離超平面間の距離が大きい。右辺第二項のＣを除いた部分は、分離できなかった各訓練データと、分離超平面Ｈ１あるいはＨ２との距離（例えば、トレーニングデータｘｉが正例の場合、超平面Ｈ１からの距離、トレーニングデータｘｉが負例の場合、超平面Ｈ２からの距離）の和であり、誤差項と呼ぶ。Ｃは、第一項と第二項を重視する度合いを決めるための正値（０以上）のパラメータである。Ｃの値が大きいときは、訓練データｘｉの分離超平面Ｈ１、Ｈ２からの誤差が大きく評価され、Ｃの値が小さいときは、相対的に分離超平面間の距離の大きさが重視される。後述する実施例ではＣ＝１を用いた。
【００６７】
トレーニングセットにより、目的関数Φを最小にする最適な判別ベクトルｗ及び判別スカラーｂを決定し、記録部に記録する。最適な判別ベクトルｗ及び判別スカラーｂの計算には、例えばLagrange法を用いることができる。以上で、Ｇタンパク共役型受容体判別部９によるＧタンパク共役型受容体判別モデルの生成が終了する。
【００６８】
次に、上記で決定されたＧタンパク共役型受容体判別モデルを使用したＧタンパク共役型受容体判別機能に関して説明する。図３は、Ｇタンパク共役型受容体判別処理を説明するフローチャートである。ここで、図２と同様に、特に断らない限りＣＰＵが行う処理として記載し、メモリ、記録部を使用して適宜処理途中のデータを記録しながら処理が行われる。
【００６９】
ステップＳ２１において、判別対象のタンパク質のアミノ酸配列データを入力する。例えば、操作部４を介して、予め記録部２に記録されているアミノ酸配列データが指定され、それが読み出される。
【００７０】
ステップＳ２２において、ステップＳ２１で読み出されたアミノ酸配列データから、上記したステップＳ３と同様に、配列長Ｌ０、疎水性指標Ｈ０を決定する。
【００７１】
ステップＳ２３〜Ｓ２６において、上記ステップＳ４〜Ｓ７と同様に、配列変換部６が、ステップＳ２１で入力されたアミノ酸配列データを識別子配列データに変換し、頻度算出部７が、識別子配列データを指定の長さΔ（Ｇタンパク共役型受容体判別モデルの生成に使用したのと同じ値）のフラグメントに分割し、各フラグメントの頻度を求め、特徴ベクトル生成部８が、特徴ベクトルデータｘ０を生成する。
【００７２】
ステップＳ２７において、判別部１０が、Ｇタンパク共役型受容体判別モデルを用いて、ステップＳ２６で生成され特徴ベクトルデータｘ０がＧタンパク共役型受容体であるか否かを判別する。即ち、Ｇタンパク共役型受容体判別モデルを用いて計算した識別関数が“１”であれば所定のフラグｆに“１”をセット（Ｇタンパク共役型受容体であることを示す）し、“−１”であれば、所定のフラグｆに“−１”をセット（Ｇタンパク共役型受容体でないことを示す）する。ＳＶＭによる判別方法の詳細は非特許文献7に開示されているので省略する。
【００７３】
ステップＳ８において、フラグｆの値に応じて判別結果を出力する。即ち、ｆ＝１であれば表示部にＧタンパク共役型受容体であることを表示し、ｆ＝−１であれば表示部にＧタンパク共役型受容体でないことを表示する。
【００７４】
以上によって、機能未知のタンパク質のアミノ酸配列が分かれば、予め決定されたＧタンパク共役型受容体判別モデルを用いてＧタンパク共役型受容体であるか否かの判別を行うことができる。
【００７５】
本発明の有効性を確認するために、後述する実施例で示されるように、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、クロスバリデーション試験を行った。その結果、上記した何れの疎水性指標を使用した場合にも９０％近い精度で正しく判別することができた。その中でも、Kyte-dolittleらによる疎水親水指標を使用してＧタンパク共役型受容体判定に使用するモデルを生成した場合、最も高い判別精度９３．８％を実現することができた。
【００７６】
また、Ｇタンパク共役型受容体判別モデルを生成する方法は、ＳＶＭに限定されず、既知のタンパク質の配列長、疎水性指標、及びフラグメントの頻度を要素とする特徴ベクトルを用いさえすれば、ベイズ推定、決定木、ｋＮＮ、ニューラルネットワークやその他の認識方法を用いてもよい。
【００７７】
また、本発明に係るＧタンパク共役型受容体判別装置の構成は、図１に示した構成に限定さない。即ち、単体の装置であっても、複数の装置からなるシステムであってもよく、さらにＬＡＮ、ＷＡＮ等のネットワークを介してデータの記録、交換などを行いながら処理が行なわれるシステムであってもよい。
【００７８】
また、内部バスに接続されたＣＰＵ、ＲＯＭやＲＡＭなどのメモリ、入力装置、出力装置、外部記録装置、媒体駆動装置、可搬記録媒体、ネットワーク接続装置で構成されるシステム、例えば一般的なコンピュータであってもよい。即ち、上記した機能をコンピュータに実現させるコンピュータプログラムがコンピュータ読み取り可能な記録媒体に記録されており、そのプログラムを記録媒体から読み出し、メモリ上に展開し、ＣＰＵがそのプログラムを実行することによっても実現することができる。
【００７９】
コンピュータプログラムを供給するための可搬記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、磁気テープ、不揮発性メモリーカード等の種々の記録媒体を用いることができる。
【００８０】
また、コンピュータがメモリ上に読み出したプログラムコードを実行することによって、上記した実施の形態の機能が実現される場合に限らず、そのプログラムコードの指示に基づき、コンピュータ上で複数のコンピュータアプリケーションソフトが実際の処理の一部又は全部を行ない、その処理によって上記した実施の形態の機能が実現されるようにしてもよい。
【００８１】
さらに、可搬型記録媒体から読み出されたコンピュータプログラムコードやコンピュータプログラム（データ）提供者から提供されたコンピュータプログラム（データ）が、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部又は全部を行ない、その処理によって上記した実施の形態の機能が実現されるようにしてもよい。
【実施例】
【００８２】
以下に実施例を示し、本発明の特徴とするところをより一層明確にする。
（１）Ｇタンパク共役型受容体の判別
コンピュータを使用して図２に示したフローチャートに従って生成したＧタンパク共役型受容体判別モデルを用いて、トレーニングセットに含まれないＧタンパク共役型受容体であるか否かが既知の複数のタンパク質を対象として、図３に示したフローチャートに従ってＧタンパク共役型受容体判別を行なった。
【００８３】
その結果、例えば、トレーニングセットに含まれなかったＧＲ３（ＮＭ＿００４２９３）がＧタンパク共役型受容体として抽出された。このＧＲ３（ＮＭ＿００４２９３）は、Ｇタンパク共役型受容体であることが知られており、本方法によるＧタンパク共役型受容体判別が有効であることが分かる。
（２）Ｇタンパク共役型受容体判別精度のフラグメント長への依存性
Ｇタンパク共役型受容体判別精度が、どの程度フラグメントの長さに依存するかを評価した。
【００８４】
図２に示したフローチャートにおいて、Δ＝１、３、５、又は６（それぞれ、アミノ酸１残基、３残基、５残基、６残基に対応）とし、上記したように、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、Ｇタンパク共役型受容体判別モデルを生成し、その後クロスバリデーション試験を行なった。
【００８５】
その結果を図４に示す。図４は、横軸はΔ（フラグメント長）であり、縦軸はＧタンパク共役型受容体の判別精度であり、総判別回数に対する正しい結果が得られた回数の割合である。図３から分かるように、何れの場合にも判別精度が９０％より高く、本発明が有効であることが分かる。さらに、Δ＝５（５残基フラグメント）の場合、判別精度が９３．８％と最も高くなっており、Δ＝５が最も望ましい。
（３）Ｇタンパク共役型受容体判別精度の疎水性指標への依存性
Ｇタンパク共役型受容体判別精度が、どの程度疎水性指標に依存するかを評価した。即ち、図２に示したフローチャートにおいて、Δ＝５とし、疎水性指標Ｈとして、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）を用いて、上記と同様に、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、Ｇタンパク共役型受容体判別モデルを生成し、その後クロスバリデーション試験を行った。
【００８６】
その結果を図５に示す。図５は、横軸は疎水性指標の種類であり、縦軸は図４と同様にＧタンパク共役型受容体の判別精度である。何れの疎水性指標を使用した場合にも判別精度が約８８％以上と高く、本発明が有効であることが分かる。さらに、疎水性指標として疎水親水指数（Hydropathy index）を使用した場合、判別精度が９３．８％と最も高くなっており、疎水性指標として疎水親水指数（Hydropathy index）が最も望ましい。
【図面の簡単な説明】
【００８７】
【図１】本発明の実施の形態に係るＧタンパク共役型受容体判別装置の概略構成を示すブロック図である。
【図２】図１の判別装置によるＧタンパク共役型受容体判別モデルを生成する機能を説明するフローチャートである。
【図３】図１の判別装置によるＧタンパク共役型受容体判別機能を説明するフローチャートである。
【図４】本発明の実施の形態に係るＧタンパク共役型受容体判別方法の判別精度のフラグメントの長さへの依存性を示す図である。
【図５】本発明の実施の形態に係るＧタンパク共役型受容体判別方法の判別精度の疎水性指標への依存性を示す図である。
【符号の説明】
【００８８】
１ ＣＰＵ
２ 記録部
３ メモリ
４ 操作部
５ 表示部
６ 配列変換部
７ 頻度算出部
８ 特徴ベクトル生成部
９ 判別モデル生成部
１０ 判別部
１１ データバス
【技術分野】
【０００１】
本発明は、対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別装置、判別方法、判別プログラム及びそのプログラムを記録した記録媒体に関する。
【背景技術】
【０００２】
受容体は、細胞に存在し、細胞外の結合物質を認識し、その結合物質の情報に基づいて細胞に応答を誘起する構造体からなるタンパク質である。各受容体は、それぞれ特定の結合物質を認識する。
【０００３】
生体内の細胞膜上に存在する受容体は、イオンチャンネル型受容体、酵素活性内蔵型受容体、及びＧタンパク共役型受容体の３種類に大別される。これらの中でＧタンパク共役型受容体には、構造的に関連したタンパク質が種々存在し、それらがスーパーファミリーを構成している。Ｇタンパク共役型受容体は、細胞膜貫通部位が７ヵ所存在し、αβγサブユニットからなるＧタンパク質を介してその情報を細胞内に伝達する。
【０００４】
このＧタンパク共役型受容体の刺激により活性化されたＧタンパク質は、細胞膜の内側で酵素やイオンチャンネルと結合してそれらの活性を制御する。その結果、細胞内ではシグナル分子が生成又は消失し、細胞外あるいは細胞内小器官からイオンが流入する。細胞内で調節されたシグナル分子は、最終的に何らかのプロテインキナーゼ（タンパク質リン酸化酵素）の活性化などを介して複雑で多様な生物学的機能を発現する。
【０００５】
Ｇタンパク共役型受容体には、アドレナリン、セロトニン、ヒスタミン、プロスタグランジン、アセチルコリンなどの低分子を結合物質とする受容体ファミリーと、アンジオテンシンＩＩ、ガストリン等のペプチドのような高分子を結合物質とする受容体ファミリーがある。
【０００６】
現在販売されている臨床薬の３０〜５０％は、このＧタンパク共役型受容体を標的とするリガンド（結合物質）であると考えられている。従って、新規Ｇタンパク共役型受容体の探索は、アゴニストやアンタゴニストなどのＧタンパク共役型受容体に特異的なリガンドの探索に有用であることが知られている。Ｇタンパク共役型受容体は現在でも新薬発見の宝庫であると期待され、本受容体のアゴニストやアンタゴニストを得るために分子生物学の技術を用いて多くのＧタンパク共役型受容体が同定されているが、その結合物質が未だ同定されていないオーファン受容体（Ｏｒｐｈａｎ ＧＰＣＲ）も多く存在している。Ｇタンパク共役型受容体が従来から医薬品開発の標的分子として多く取り上げられてきた理由には、このＧタンパク共役型受容体は細胞内の情報伝達に重要な役割を担っている事、Ｇタンパク共役型受容体に作用する薬剤の基本的な構造要素に関する知見が多い事、Ｇタンパク共役型受容体は種類が多く多様性に富んでおり未知のものも数多く存在していると考えられる事、等がある。従って、新規Ｇタンパク共役型受容体タンパク質の解析を通して、新しい生体内情報伝達機構の発見や、新規薬物標的タンパク質の同定も期待できる。
【０００７】
近年、ゲノミクス、プロテオミクスの発展により多くの新規なＧタンパク共役型受容体が発見されているが、実験による解析は、非常に時間と費用が掛かることから、新規Ｇタンパク共役型受容体の探索の効率的な方法とは言えなくなってきている。最近では、新規Ｇタンパク共役型受容体の探索にバイオインフォマティクスの技術を用いて、実験的手法によらない、あるいは実験の負荷を軽減する目的で、ゲノム配列若しくは、アミノ酸配列よりＧタンパク共役型受容体を予測する手法が開発されている。
【０００８】
下記特許文献１及び非特許文献８には、新規Ｇタンパク共役型受容体の遺伝子やタンパク質を検索する方法が開示されている。即ち、アミノ酸配列の長さが２００〜１５００であり、６〜８の細胞膜貫通領域を含むオープンリーディングフレーム（ＯＲＦ）をゲノム配列上から検索し、得られたＯＲＦと既知のＧタンパク共役型受容体とのホモロジーを評価して新規Ｇタンパク共役型受容体遺伝子を検索する方法が開示されている。
【０００９】
下記特許文献２には、新規Ｇタンパク共役型受容体配列を効率的に抽出する方法を開示している。即ち、ゲノム配列から遺伝子の探索、既知のＧタンパク共役型受容体とのホモロジー検索、モチーフ及びドメインの帰属、膜貫通領域の予測を行い、それぞれの和集合により、候補配列の抽出する方法が開示されている。また、特許文献２では、抽出した配列に関し、重複配列の除去、及び誤予測により分離された断片配列の融合により遺伝子候補の質を向上させている。
【００１０】
下記非特許文献１には、未知のタンパク質をサポートベクターマシン(Support Vector Machine：以下、ＳＶＭと記す)を用いて、既知のクラスに分類する方法が開示されている。非特許文献１では、アミノ酸の出現頻度（文字単位）、疎水性指標、Van der Waals Volume、極性、分極率、電化、表面張力、二次構造、solvent accessibilityを用いて、タンパク質を特徴化している。
【００１１】
また、下記非特許文献２〜６には、Ｇタンパク共役型受容体タンパク質を判別する上で使用できる種々の疎水性指標が開示されており、下記非特許文献７には、ＳＶＭの内容が開示されている。
【００１２】
このようにＧタンパク共役型受容体タンパク質をゲノム配列、或いは機能既知タンパク質から検索する方法が知られているが、新規な生体内情報伝達機構の発見や新規薬物標的タンパク質の同定を可能とすることができる新規Ｇタンパク共役型受容体タンパク質をアミノ酸配列データベース上で網羅的に検索することにより予測精度の高い新しいＧタンパク共役型受容体の判別方法が要望されている。
【特許文献１】特開２００２−１１２７９３号公報
【特許文献２】特開２００３−２８４５７３号公報
【非特許文献１】Cai CZ, et al., Nucleic Acids Research, Vol.31, No.13, 3692-3697(2003)
【非特許文献２】Kyte J and Doolittle RF, J. Mol. Biol., Vol.157, 105-132(1982)
【非特許文献３】Goldsack DE, et al., J. Theor. Biol., Vol.39, 645-651(1973)
【非特許文献４】SweeT RM, et al., J. Mol. Biol., Vol.171, 479-488(1983)
【非特許文献５】Zimmerman JM, et al., J. Theor. Biol., Vol.21, 170-201(1968)
【非特許文献６】Ponnuswamy PK. Prog. Biophys. Mol. Biol., Vol.59, 57-103(1993)
【非特許文献７】Vapnik VN, The Nature of Statistical Learning Theory, Springer(1995)
【非特許文献８】Takeda T, et al., FEBS Letters, Vol.520, 97-101(2002)
【発明の開示】
【発明が解決しようとする課題】
【００１３】
しかしながら、上述した従来のＧタンパク共役型受容体タンパク質の予測方法は、配列類似性を主に指標として用いている。その予測成績は、配列相同性が低い場合において、十分ではない。例えば、非特許文献８に開示されている既知Ｇタンパク共役型受容体を用いた予測成績は高々５７％である。
【００１４】
本発明の目的は、新しい手法を用いてアミノ酸配列データベースを網羅的に検索することにより、判別精度の高いＧタンパク共役型受容体判別装置、判別方法、判別プログラム及びそのプログラムを記録した記録媒体を提供することにある。
【課題を解決するための手段】
【００１５】
本発明者らは、既知のタンパク質のアミノ酸配列データを用いて、アミノ酸残基数、疎水性指標、アミノ酸構成頻度を基にＧタンパク共役型受容体タンパク質が有する配列上の特徴についてモデル化を行った。そして、構築したモデルに機能未知のタンパク質の配列データを提供し、Ｇタンパク共役型受容体タンパク質である可能性について評価することによって、機能未知のタンパク質が、Ｇタンパク共役型受容体タンパク質である可能性を予測可能であることを見出した。特に、既知Ｇタンパク共役型受容体タンパク質を対象としてＧタンパク共役型受容体タンパク質が有するアミノ酸配列上の特徴を抽出し、ＳＶＭにてＧタンパク共役型受容体タンパク質のアミノ酸配列間に内在する規則を学習させた後、未知のタンパク質のアミノ酸配列をこの学習機械に入力し、ＳＶＭにて、学習された規則に基づいて新規なＧタンパク共役型受容体タンパク質の可能性を判定する装置及びその方法を利用することにより公知の配列データベース上で網羅的に検索することにより新規Ｇタンパク共役型受容体タンパク質を得ることが可能であることを見出した。
【００１６】
上記目的を達成するために、本発明に係るＧタンパク共役型受容体判別装置（１）は、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する配列変換手段と、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出手段と、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する特徴ベクトル生成手段と、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段と、判別対象のタンパク質に関する特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別手段とを備えることを特徴としている。
【００１７】
また、本発明に係るＧタンパク共役型受容体判別装置（２）は、上記のＧタンパク共役型受容体判別装置（１）において、複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００１８】
また、本発明に係るＧタンパク共役型受容体判別装置（３）は、上記のＧタンパク共役型受容体判別装置（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００１９】
また、本発明に係るＧタンパク共役型受容体判別装置（４）は、上記のＧタンパク共役型受容体判別装置（１）〜（３）の何れかにおいて、前記フラグメントの長さが１以上６以下の範囲の整数値であることを特徴としている。
【００２０】
また、本発明に係るＧタンパク共役型受容体判別装置（５）は、上記のＧタンパク共役型受容体判別装置（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００２１】
また、本発明に係るＧタンパク共役型受容体判別装置（６）は、上記のＧタンパク共役型受容体判別装置（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００２２】
また、本発明に係るＧタンパク共役型受容体判別装置（７）は、上記のＧタンパク共役型受容体判別装置（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００２３】
また、本発明に係るＧタンパク共役型受容体判別方法（１）は、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する第１ステップと、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める第２ステップと、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する第３ステップと、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する第４ステップと、判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する第５ステップとを含むことを特徴としている。
【００２４】
また、本発明に係るＧタンパク共役型受容体判別方法（２）は、上記のＧタンパク共役型受容体判別方法（１）において、複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００２５】
また、本発明に係るＧタンパク共役型受容体判別方法（３）は、上記のＧタンパク共役型受容体判別方法（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００２６】
また、本発明に係るＧタンパク共役型受容体判別方法（４）は、上記のＧタンパク共役型受容体判別方法（１）〜（３）の何れかにおいて、前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴としている。
【００２７】
また、本発明に係るＧタンパク共役型受容体判別方法（５）は、上記のＧタンパク共役型受容体判別方法（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００２８】
また、本発明に係るＧタンパク共役型受容体判別方法（６）は、上記のＧタンパク共役型受容体判別方法（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００２９】
また、本発明に係るＧタンパク共役型受容体判別方法（７）は、上記のＧタンパク共役型受容体判別方法（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００３０】
また、本発明に係るＧタンパク共役型受容体判別プログラム（１）は、コンピュータに、タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する機能と、前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出機能と、前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する機能と、複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する機能と、判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する機能とを実現させることを特徴とする。
【００３１】
また、本発明に係るＧタンパク共役型受容体判別プログラム（２）は、上記のＧタンパク共役型受容体判別プログラム（１）において、複数の既知のＧタンパク共役型受容体タンパク質、及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００３２】
また、本発明に係るＧタンパク共役型受容体判別プログラム（３）は、上記のＧタンパク共役型受容体判別プログラム（２）において、Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴としている。
【００３３】
また、本発明に係るＧタンパク共役型受容体判別プログラム（４）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（３）の何れかにおいて、前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴としている。
【００３４】
また、本発明に係るＧタンパク共役型受容体判別プログラム（５）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（４）の何れかにおいて、前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴としている。
【００３５】
また、本発明に係るＧタンパク共役型受容体判別プログラム（６）は、上記のＧタンパク共役型受容体判別プログラム（１）〜（５）の何れかにおいて、前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴としている。
【００３６】
また、本発明に係るＧタンパク共役型受容体判別プログラム（７）は、上記のＧタンパク共役型受容体判別プログラム（６）において、前記識別子が１以上５以下の範囲の整数値であることを特徴としている。
【００３７】
また、本発明に係るＧタンパク共役型受容体判別プログラムを記録したコンピュータ読み取り可能な記録媒体は、上記のＧタンパク共役型受容体判別プログラム（１）〜（７）の何れかを記録していることを特徴としている。
【発明の効果】
【００３８】
本発明によれば、タンパク質がＧタンパク共役型受容体であるか否かを高い精度で判別することができるので、実験を行う前に新規Ｇタンパク共役型受容体タンパク質候補を予め絞り込むことができ、総当り的な膨大な実験を行うことなくＧタンパク共役型受容体タンパク質を効率良く発見することが可能となる。
【００３９】
また、従来の予測法のようにアミノ酸配列の相同性に頼ることなく、アミノ酸配列から直接に特徴量を抽出し、これに基づいて判別を行うため、相同性タンパク質に関する情報を持たない機能未知のタンパク質配列をも判別することが可能である。
【００４０】
従って、本発明は、新規Ｇタンパク共役型受容体タンパク質の作用を利用するバイオテクノロジーを用いる創薬の分野、さらにはこれらの基礎研究としてのバイオインフォマティクス、プロテオミクス、生命科学分野全般にわたって適用可能である。
【発明を実施するための最良の形態】
【００４１】
以下、本発明に係るＧタンパク共役型受容体判別装置及びその判別方法に関して、添付図を参照しながら説明する。
【００４２】
図１は、本発明の実施の形態に係る新規Ｇタンパク共役型受容体タンパク質判別装置の概略構成を示すブロック図である。図１に示したように、本判別装置は、各部を制御するＣＰＵ１、記録部２と、メモリ３、操作部４、表示部５、配列変換部６、頻度算出部７、特徴ベクトル生成部８、判別モデル生成部９、判別部１０、及びデータバス１１を備えている。本判別装置は、機能未知のタンパク質がＧタンパク共役型受容体であるか否かを判別するための基準となるＧタンパク共役型受容体判別モデルを生成する機能、及びＧタンパク共役型受容体判別モデルを用いて実際に判別を行う機能（Ｇタンパク共役型受容体判別機能）の２つの機能を持っている。
【００４３】
図２、３は、本判別装置の動作を説明するフローチャートである。以下、これらのフローチャートに従って、本判別装置の動作を説明する。ここで、記録部２には、予め既知のＧタンパク共役型受容体タンパク質のアミノ酸配列、Ｇタンパク共役型受容体以外の膜タンパク質のアミノ酸配列、可溶性タンパク質のアミノ酸配列が所定の形式で記録されているとする。また、特に断らない限りＣＰＵ１が行う処理として記載し、種々のデータ処理はメモリ３上のワーク領域で実行される。メモリ３は処理途中及び処理結果データの一時記憶にも使用され、処理結果データは記録部２にも適宜記録される。また、処理途中のデータ又は処理結果データは、表示部５内部のビデオメモリ（図示せず）に伝送され、所定の形式で、例えばＣＲＴ表示装置、液晶表示装置（いずれも図示せず）などに表示される。また、操作部４は例えば、コンピュータ用のキーボード、マウスなどであり、使用者により操作されて指示が入力される。まず図２のフローチャートに従って、Ｇタンパク共役型受容体判別モデルの生成機能に関して説明する。
【００４４】
ステップＳ１において、操作部４を介して、所定の自然数Δ及び、判別モデルの生成に使用するタンパク質のアミノ酸配列データの総数Ｎの入力を受け付け、繰り返し処理のカウンタｉに初期値として１をセットする。
【００４５】
ステップＳ２において、記録部２に記録されている複数のタンパク質（既知のＧタンパク共役型受容体タンパク質、Ｇタンパク共役型受容体以外の膜タンパク質、可溶性タンパク質）のアミノ酸配列データの中から、１つのアミノ酸配列データＡｉを読み出す。
【００４６】
ここで、アミノ酸配列データＡｉは、例えばインターネットのウェブに公開されている公共或いは私的なデータベースから取得したデータである。データベースの例としては、ＳＷＩＳＳ−ＰＲＯＴタンパク質データベース（http://www.psc.edu/general/software/packages/swiss/swiss.html）がある。また、アミノ酸配列としては、Ｇタンパク共役型受容体としてデータベースに登録されている配列を用いるのが特に好ましい。これらの配列は、例えば、"An Internet review: the complete neuroscientist scours the World Wide Web." Bloom FE, Science 1996; 274(5290):1104-9に詳細が記載されているＧＣＲＤｂ（The G-protein-coupled Receptor Database）（http://www.gcrdb.uthscsa.edu/）、ＧＰＣＲＤＢ（http://www.gpcr.org/7tm/）、ＥｘＰＡＳｙ（http://www.expasy.ch/cgi-bin/sm-gpcr.pl）、ＯＲＤＢ（http://senselab.med.yale.edu/senselab/ORDB/default.asp）等から入手できる。
【００４７】
さらに、Ｇタンパク共役型受容体としてデータベースに登録されている配列のみならず、ＧｅｎｅＢａｎｋ（ftp://ncbi.nlm.nih.gov/genbank/genomes/）、ＥＮＳＥＭＢＬ（http://www.ensembl.org）、ＰＩＲ（http://www-nbrf.georgetown.edu/pir/、(National Biomedical Research Foundation(NBRF))、Ｓｗｉｓｓ Ｐｌｏｔ（http://www.expasy.ch/sprot/sprot-top.html、Swiss Institute of Bioinformatics(SIB)、European Bioinfomatics Institute(EBI)）、ＴｒＥＭＢＬ（ＵＲＬ及び管理者ともにＳｗｉｓｓ Ｐｌｏｔと同じ）、ＴｒＥＭＢＬＮＥＷ（ＵＲＬ及び管理者ともにＳｗｉｓｓ Ｐｌｏｔと同じ）等のデータベースに登録されているヒト(H.sapiens)、マウス（M.musculus）、ラット(R.norvegicus)、ゼブラフィッシュ（D. rerio）、ショウジョ ウバエ(D. melanogaster)、線虫(C. elagans)、酵母(S.cerevisiae)、シロイヌナズナ(A. thaliana)などの如何なるアミノ酸配列を用いることもできる。
【００４８】
これらのデータベースは単なる例示であり、タンパク質のアミノ酸配列が登録されているものであれば如何なるデータベースを用いることもできる。
【００４９】
ステップＳ３において、ステップＳ２で読み出したアミノ酸配列データＡｉから、配列の長さＬｉ、疎水性指標Ｈｉ、及びＧタンパク共役型受容体変数ｙｉを決定する。ここで、配列の長さＬｉは、そのタンパク質のアミノ酸残基の総数であり、読み出したアミノ酸配列Ａｉデータから算出する。一方、Ｇタンパク共役型受容体変数ｙｉは、そのタンパク質がＧタンパク共役型受容体であるか否かを示す変数であり、Ｇタンパク共役型受容体であれば“１”であり、Ｇタンパク共役型受容体で無ければ“−１”を設定する。Ｇタンパク共役型受容体変数ｙｉは、タンパク質のアミノ酸配列に対応させて予め記録部２に記録されていてもよく、その場合には、Ｇタンパク共役型受容体変数ｙｉを記録部から読み出せばよい。
【００５０】
また、疎水性指標Ｈｉの計算には、Kyte-Doolittle法における疎水親水指数（Hydropathy index、上記非特許文献２）、Goldsack-Chalifoux法における疎水性因子（Hydrophobicity factor、上記非特許文献３）、Sweet-Eisenberg法における最適化マッチング疎水性（Optimal matching hydrophobicity、上記非特許文献４）、Zimmerman法における疎水性（Hydrophobicity、上記非特許文献５）、及びPonnuswamy法における疎水性スケール（Hydrophobicity scales、上記非特許文献６）のいずれかを使用すればよい。詳細は後述するが、これらの疎水性指標のうち、疎水親水指数（Hydropathy index）が最も好ましい。
【００５１】
ステップＳ４において、ＣＰＵ１が、ステップＳ２で取得したアミノ酸配列データＡｉを配列変換部６に伝送し、配列変換部６が、伝送されたアミノ酸配列データＡｉを所定の識別子の配列データに変換する。即ち、予めタンパク質を構成するアミノ酸が属するクラス毎に識別子が付与されており、それらが対応付けられて、例えば記録部２に対応テーブルとして記録されており、配列変換部６が、その対応テーブルを参照しながら、伝送されたアミノ酸配列データＡｉを識別子で表わされた配列データ（以下、識別子配列データと記す）に変換する。識別子には、数字、アルファベット、記号など任意の文字を使用すれば良い。ここでは一例として、表１に示した識別子を使用することとする。即ち、ヒスチジン（His）、アルギニン（Arg）、リジン（Lys）などの塩基性アミノ酸の識別子を“１”とし、アスパラギン酸（Asp）、グルタミン酸（Glu）などの酸性アミノ酸の識別子を“２”とし、フェニルアラニン（Phe）、チロシン（Tyr）、トリプトファン（Trp）などの芳香族アミノ酸の識別子を“３”とし、プロリン（Pro）などのイミノ酸の識別子を“４”とし、その他の脂肪族アミノ酸（Other）の識別子を“５”とする。
【００５２】
【表１】
【００５３】
ステップＳ５において、配列変換部６が、ステップＳ４で変換した識別子配列データ（アミノ酸配列データＡｉに対応）を頻度算出部７に出力し、頻度算出部７が、ステップＳ１で指定された値Δを単位長さ（アミノ酸残基の個数）として、入力された識別子配列データを先頭から分割する。分割された単位長さの識別子配列データを、アミノ酸フラグメントと呼ぶ。Δとしては、任意の自然数を使用することができるが、後述するように１〜６の値が望ましく、その中でも５が最も望ましい。
【００５４】
ステップＳ６において、頻度算出部７は、ステップＳ５で生成されたアミノ酸フラグメントの頻度を求める。即ち、頻度算出部７は、ステップＳ５で生成されたアミノ酸フラグメントの総数に対する各アミノ酸フラグメントａｉｊの個数の割合を、頻度Ｆｉｊとして求める。一例として、Δ＝５とした場合を表２に示す。表２では、アミノ酸フラグメントａｉｊは、表１の識別子１〜５を用いて標記した順列として、昇順に表記されている。この場合、アミノ酸フラグメントの総数は、５５＝３１２５である。
【００５５】
【表２】
【００５６】
ステップＳ７において、頻度算出部７が、頻度Ｆｉｊを特徴ベクトル生成部８に出力し、特徴ベクトル生成部８は、入力された頻度ＦｉｊとステップＳ３で取得した配列長Ｌｉ及び疎水性指標Ｈｉとを対応つけて、ベクトルデータｘｉを生成する。具体的には、ベクトルデータｘｉは、例えばｘｉ＝（Ｌｉ，Ｈｉ，Ｆｉ１，…，ＦｉＭ）である。Ｍは可能なアミノ酸フラグメントの総数であり、Δ＝５の場合、Ｍ＝３１２５である。また、Ｆｉ１，…，ＦｉＭの順序は、所定の順序であればよく、例えば表２に示した番号ｊの順である。
【００５７】
ステップＳ８において、特徴ベクトル生成部８は、ベクトルデータｘｉをＧタンパク共役型受容体変数ｙｉと対応させて記録部２に記録する。
【００５８】
ステップＳ９において、カウンタｉがＮよりも小さいか否かを判断し、小さいと判断すれば、ステップＳ１０に移行して、カウンタｉを１増加させて、ステップＳ２に戻る。このように、ＣＰＵは、配列変換部６、頻度算出部７、特徴ベクトル生成部８を制御ながら、カウンタｉがＮ以上になるまで、ステップＳ２〜Ｓ８を繰り返し、記録部２から順にタンパク質配列データＡｉを読み出し、対応するベクトルデータｘｉを生成し、Ｇタンパク共役型受容体変数ｙｉと対応させて記録部２に記録する。
【００５９】
ステップＳ９において、ｉ＜Ｎでないと判断すればステップＳ１１に移行し、判別モデル生成部９が、Ｇタンパク共役型受容体判別モデルを生成する。即ち、Ｇタンパク共役型受容体判別モデルの生成は、ステップＳ８で記録されたベクトルデータｘｉ（ｉ＝１〜Ｎ）をパターン認識のための特徴ベクトルとし、Ｇタンパク共役型受容体変数ｙｉ（ｉ＝１〜Ｎ）と共に一連のトレーニングデータとして、サポートベクターマシンＳＶＭに入力することによって行なわれる。ＳＶＭは公知の技術であるので、ここでは簡単に説明する。
【００６０】
ＳＶＭは、認識対象のサンプル集合を２つのクラスに分類する方法であって、１９６０年代にVapnik等が提案したOptimal Separating Hyperplaneを起源とする。即ち、多次元ベクトル空間上に位置する各サンプルを分離することができる２つの超平面を決定する方法である。通常、サンプル集合を明確に分離できる、即ち線形分離可能な場合は少ないので、ソフトマージンを導入する方法がある。さらに、１９９０年代になってカーネル学習法と組み合わされた非線形の識別方法へと拡張された。カーネルトリックにより非線形の識別関数が構成できるように拡張されたＳＶＭは、現在知られている手法の中でも最もパターン認識性能の高い学習モデルの一つである（上記非特許文献７参照）。認識対象に応じて種々のＳＶＭを使用することができるが、ここでは、一例としてソフトマージンを導入したＳＶＭを使用する場合を説明する。
【００６１】
パターン認識には、認識対象から何らかの特徴量を計測（抽出）することが必要である。一般に、１種類の特徴量だけではなく複数の特徴量を計測し、それらを同時に使用して認識を行う。
【００６２】
ＳＶＭでは正しい例である正例と誤った例である負例の２つのクラスのいずれかに属するｒ個のトレーニング用データの集合（ｘ１，ｙ１），…（ｘｒ，ｙｒ）を準備する。ここで、ｘｉは、データｉの特徴ベクトル（ｎ次元ベクトル）である。また、ｙｉは、データｉが正例の場合“＋１”の値をとり、負例の場合には、“−１”の値をとるスカラーの変数である。ここでは、Ｇタンパク共役型受容体であるタンパク質の特徴ベクトルとして、上記ステップＳ８で記録部に記録したベクトルデータｘｉ及びＧタンパク共役型受容体変数ｙｉを用いる。即ち、配列の長さＬ、疎水性指標Ｈ、アミノ酸フラグメントの頻度（Ｆ１，…，ＦＭ）を用いて、Ｇタンパク共役型受容体であるタンパク質の特徴ベクトルは、ｘｉ＝（Ｌｉ，Ｈｉ，Ｆｉ１，…，ＦｉＭ）、ｙｉ＝１で表され、Ｇタンパク共役型受容体でないタンパク質の特徴ベクトルは、ｘｊ＝（Ｌｊ，Ｈｊ，Ｆｊ１，…，ＦｊＭ）、ｙｊ＝０で表される。ここで、ｉ＝１〜Ｎである。
【００６３】
これら複数の特徴ベクトル（以下、トレーニングセットと記す）（ｘ１，ｙ１），…（ｘＮ，ｙＮ）を（Ｍ＋２）次元Ｅｕｃｌｉｄ空間上の（ｗ・ｘ）＋ｂ＝０なる超平面で分離する。ここで、ｗもベクトルであり、ｗ・ｘは２つのベクトルの内積（スカラー）を表し、ｂは（≦０）スカラーである。この際、近接する正例と負例のデータ間の距離が大きい方が、精度良くデータを分類できる。ここで、（ｗ・ｘ）＋ｂ＝１で表される正例側の分離超平面Ｈ１と、（ｗ・ｘ）＋ｂ＝−１で表される負例側の分離超平面Ｈ２とを考える。
【００６４】
２つの分離超平面Ｈ１、Ｈ２間の距離は、２／‖ｗ‖である。この距離を最大にするには、‖ｗ‖を最小にすればよい。ある関数のとる値が最小値となる時、‖ｗ‖が最適値をとるような関数を目的関数と呼ぶ。この場合、下記の目的関数Φを使用すればよい。
【００６５】
【数１】
【００６６】
ここで、ξｉは、トレーニングデータｘｉ（ｉ＝１〜Ｎ）が分離超平面によって分離できない場合、即ち訓練データｘｉの正例／負例を誤認識してしまう場合の訓練データｘｉの分離超平面からの距離を表す非負の変数である。式１の右辺第一項は、２つの分離超平面Ｈ１とＨ２との間の距離の逆数の２乗に比例しているので、この項の値が小さいほど２つの分離超平面間の距離が大きい。右辺第二項のＣを除いた部分は、分離できなかった各訓練データと、分離超平面Ｈ１あるいはＨ２との距離（例えば、トレーニングデータｘｉが正例の場合、超平面Ｈ１からの距離、トレーニングデータｘｉが負例の場合、超平面Ｈ２からの距離）の和であり、誤差項と呼ぶ。Ｃは、第一項と第二項を重視する度合いを決めるための正値（０以上）のパラメータである。Ｃの値が大きいときは、訓練データｘｉの分離超平面Ｈ１、Ｈ２からの誤差が大きく評価され、Ｃの値が小さいときは、相対的に分離超平面間の距離の大きさが重視される。後述する実施例ではＣ＝１を用いた。
【００６７】
トレーニングセットにより、目的関数Φを最小にする最適な判別ベクトルｗ及び判別スカラーｂを決定し、記録部に記録する。最適な判別ベクトルｗ及び判別スカラーｂの計算には、例えばLagrange法を用いることができる。以上で、Ｇタンパク共役型受容体判別部９によるＧタンパク共役型受容体判別モデルの生成が終了する。
【００６８】
次に、上記で決定されたＧタンパク共役型受容体判別モデルを使用したＧタンパク共役型受容体判別機能に関して説明する。図３は、Ｇタンパク共役型受容体判別処理を説明するフローチャートである。ここで、図２と同様に、特に断らない限りＣＰＵが行う処理として記載し、メモリ、記録部を使用して適宜処理途中のデータを記録しながら処理が行われる。
【００６９】
ステップＳ２１において、判別対象のタンパク質のアミノ酸配列データを入力する。例えば、操作部４を介して、予め記録部２に記録されているアミノ酸配列データが指定され、それが読み出される。
【００７０】
ステップＳ２２において、ステップＳ２１で読み出されたアミノ酸配列データから、上記したステップＳ３と同様に、配列長Ｌ０、疎水性指標Ｈ０を決定する。
【００７１】
ステップＳ２３〜Ｓ２６において、上記ステップＳ４〜Ｓ７と同様に、配列変換部６が、ステップＳ２１で入力されたアミノ酸配列データを識別子配列データに変換し、頻度算出部７が、識別子配列データを指定の長さΔ（Ｇタンパク共役型受容体判別モデルの生成に使用したのと同じ値）のフラグメントに分割し、各フラグメントの頻度を求め、特徴ベクトル生成部８が、特徴ベクトルデータｘ０を生成する。
【００７２】
ステップＳ２７において、判別部１０が、Ｇタンパク共役型受容体判別モデルを用いて、ステップＳ２６で生成され特徴ベクトルデータｘ０がＧタンパク共役型受容体であるか否かを判別する。即ち、Ｇタンパク共役型受容体判別モデルを用いて計算した識別関数が“１”であれば所定のフラグｆに“１”をセット（Ｇタンパク共役型受容体であることを示す）し、“−１”であれば、所定のフラグｆに“−１”をセット（Ｇタンパク共役型受容体でないことを示す）する。ＳＶＭによる判別方法の詳細は非特許文献7に開示されているので省略する。
【００７３】
ステップＳ８において、フラグｆの値に応じて判別結果を出力する。即ち、ｆ＝１であれば表示部にＧタンパク共役型受容体であることを表示し、ｆ＝−１であれば表示部にＧタンパク共役型受容体でないことを表示する。
【００７４】
以上によって、機能未知のタンパク質のアミノ酸配列が分かれば、予め決定されたＧタンパク共役型受容体判別モデルを用いてＧタンパク共役型受容体であるか否かの判別を行うことができる。
【００７５】
本発明の有効性を確認するために、後述する実施例で示されるように、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、クロスバリデーション試験を行った。その結果、上記した何れの疎水性指標を使用した場合にも９０％近い精度で正しく判別することができた。その中でも、Kyte-dolittleらによる疎水親水指標を使用してＧタンパク共役型受容体判定に使用するモデルを生成した場合、最も高い判別精度９３．８％を実現することができた。
【００７６】
また、Ｇタンパク共役型受容体判別モデルを生成する方法は、ＳＶＭに限定されず、既知のタンパク質の配列長、疎水性指標、及びフラグメントの頻度を要素とする特徴ベクトルを用いさえすれば、ベイズ推定、決定木、ｋＮＮ、ニューラルネットワークやその他の認識方法を用いてもよい。
【００７７】
また、本発明に係るＧタンパク共役型受容体判別装置の構成は、図１に示した構成に限定さない。即ち、単体の装置であっても、複数の装置からなるシステムであってもよく、さらにＬＡＮ、ＷＡＮ等のネットワークを介してデータの記録、交換などを行いながら処理が行なわれるシステムであってもよい。
【００７８】
また、内部バスに接続されたＣＰＵ、ＲＯＭやＲＡＭなどのメモリ、入力装置、出力装置、外部記録装置、媒体駆動装置、可搬記録媒体、ネットワーク接続装置で構成されるシステム、例えば一般的なコンピュータであってもよい。即ち、上記した機能をコンピュータに実現させるコンピュータプログラムがコンピュータ読み取り可能な記録媒体に記録されており、そのプログラムを記録媒体から読み出し、メモリ上に展開し、ＣＰＵがそのプログラムを実行することによっても実現することができる。
【００７９】
コンピュータプログラムを供給するための可搬記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、磁気テープ、不揮発性メモリーカード等の種々の記録媒体を用いることができる。
【００８０】
また、コンピュータがメモリ上に読み出したプログラムコードを実行することによって、上記した実施の形態の機能が実現される場合に限らず、そのプログラムコードの指示に基づき、コンピュータ上で複数のコンピュータアプリケーションソフトが実際の処理の一部又は全部を行ない、その処理によって上記した実施の形態の機能が実現されるようにしてもよい。
【００８１】
さらに、可搬型記録媒体から読み出されたコンピュータプログラムコードやコンピュータプログラム（データ）提供者から提供されたコンピュータプログラム（データ）が、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部又は全部を行ない、その処理によって上記した実施の形態の機能が実現されるようにしてもよい。
【実施例】
【００８２】
以下に実施例を示し、本発明の特徴とするところをより一層明確にする。
（１）Ｇタンパク共役型受容体の判別
コンピュータを使用して図２に示したフローチャートに従って生成したＧタンパク共役型受容体判別モデルを用いて、トレーニングセットに含まれないＧタンパク共役型受容体であるか否かが既知の複数のタンパク質を対象として、図３に示したフローチャートに従ってＧタンパク共役型受容体判別を行なった。
【００８３】
その結果、例えば、トレーニングセットに含まれなかったＧＲ３（ＮＭ＿００４２９３）がＧタンパク共役型受容体として抽出された。このＧＲ３（ＮＭ＿００４２９３）は、Ｇタンパク共役型受容体であることが知られており、本方法によるＧタンパク共役型受容体判別が有効であることが分かる。
（２）Ｇタンパク共役型受容体判別精度のフラグメント長への依存性
Ｇタンパク共役型受容体判別精度が、どの程度フラグメントの長さに依存するかを評価した。
【００８４】
図２に示したフローチャートにおいて、Δ＝１、３、５、又は６（それぞれ、アミノ酸１残基、３残基、５残基、６残基に対応）とし、上記したように、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、Ｇタンパク共役型受容体判別モデルを生成し、その後クロスバリデーション試験を行なった。
【００８５】
その結果を図４に示す。図４は、横軸はΔ（フラグメント長）であり、縦軸はＧタンパク共役型受容体の判別精度であり、総判別回数に対する正しい結果が得られた回数の割合である。図３から分かるように、何れの場合にも判別精度が９０％より高く、本発明が有効であることが分かる。さらに、Δ＝５（５残基フラグメント）の場合、判別精度が９３．８％と最も高くなっており、Δ＝５が最も望ましい。
（３）Ｇタンパク共役型受容体判別精度の疎水性指標への依存性
Ｇタンパク共役型受容体判別精度が、どの程度疎水性指標に依存するかを評価した。即ち、図２に示したフローチャートにおいて、Δ＝５とし、疎水性指標Ｈとして、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）を用いて、上記と同様に、既知Ｇタンパク共役型受容体タンパク質の配列（２９５５配列）、Ｇタンパク共役型受容体以外の膜タンパク質の配列（１１５２配列）、可溶性タンパク質の配列（３２０２配列）をトレーニングセットとして用いて、Ｇタンパク共役型受容体判別モデルを生成し、その後クロスバリデーション試験を行った。
【００８６】
その結果を図５に示す。図５は、横軸は疎水性指標の種類であり、縦軸は図４と同様にＧタンパク共役型受容体の判別精度である。何れの疎水性指標を使用した場合にも判別精度が約８８％以上と高く、本発明が有効であることが分かる。さらに、疎水性指標として疎水親水指数（Hydropathy index）を使用した場合、判別精度が９３．８％と最も高くなっており、疎水性指標として疎水親水指数（Hydropathy index）が最も望ましい。
【図面の簡単な説明】
【００８７】
【図１】本発明の実施の形態に係るＧタンパク共役型受容体判別装置の概略構成を示すブロック図である。
【図２】図１の判別装置によるＧタンパク共役型受容体判別モデルを生成する機能を説明するフローチャートである。
【図３】図１の判別装置によるＧタンパク共役型受容体判別機能を説明するフローチャートである。
【図４】本発明の実施の形態に係るＧタンパク共役型受容体判別方法の判別精度のフラグメントの長さへの依存性を示す図である。
【図５】本発明の実施の形態に係るＧタンパク共役型受容体判別方法の判別精度の疎水性指標への依存性を示す図である。
【符号の説明】
【００８８】
１ ＣＰＵ
２ 記録部
３ メモリ
４ 操作部
５ 表示部
６ 配列変換部
７ 頻度算出部
８ 特徴ベクトル生成部
９ 判別モデル生成部
１０ 判別部
１１ データバス
【特許請求の範囲】
【請求項１】
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する配列変換手段と、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出手段と、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する特徴ベクトル生成手段と、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段と、
判別対象のタンパク質に関する特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別手段とを備えることを特徴とするＧタンパク共役型受容体判別装置。
【請求項２】
複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１に記載のＧタンパク共役型受容体判別装置。
【請求項３】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項２に記載のＧタンパク共役型受容体判別装置。
【請求項４】
前記フラグメントの長さが１以上６以下の範囲の整数値であることを特徴とする請求項１〜３の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項５】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項１〜４の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項６】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項１〜５の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項７】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項６に記載のＧタンパク共役型受容体判別装置。
【請求項８】
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する第１ステップと、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める第２ステップと、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する第３ステップと、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する第４ステップと、
判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する第５ステップとを含むＧタンパク共役型受容体判別方法。
【請求項９】
複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項８に記載のＧタンパク共役型受容体判別方法。
【請求項１０】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項９に記載のＧタンパク共役型受容体判別方法。
【請求項１１】
前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴とする請求項８〜１０の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１２】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項８〜１１の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１３】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項８〜１２の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１４】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項１３に記載のＧタンパク共役型受容体判別方法。
【請求項１５】
コンピュータに、
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する機能と、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出機能と、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する機能と、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する機能と、
判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する機能とを実現させるためのＧタンパク共役型受容体判別プログラム。
【請求項１６】
複数の既知のＧタンパク共役型受容体タンパク質、及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１５に記載のＧタンパク共役型受容体判別プログラム。
【請求項１７】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１６に記載のＧタンパク共役型受容体判別プログラム。
【請求項１８】
前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴とする請求項１５〜１７の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項１９】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項１５〜１８の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項２０】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項１５〜１９の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項２１】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項２０に記載のＧタンパク共役型受容体判別プログラム。
【請求項２２】
請求項１５〜２１の何れかの項に記載のＧタンパク共役型受容体判別プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項１】
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する配列変換手段と、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出手段と、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する特徴ベクトル生成手段と、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する判別モデル生成手段と、
判別対象のタンパク質に関する特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する判別手段とを備えることを特徴とするＧタンパク共役型受容体判別装置。
【請求項２】
複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１に記載のＧタンパク共役型受容体判別装置。
【請求項３】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項２に記載のＧタンパク共役型受容体判別装置。
【請求項４】
前記フラグメントの長さが１以上６以下の範囲の整数値であることを特徴とする請求項１〜３の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項５】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項１〜４の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項６】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項１〜５の何れかの項に記載のＧタンパク共役型受容体判別装置。
【請求項７】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項６に記載のＧタンパク共役型受容体判別装置。
【請求項８】
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する第１ステップと、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める第２ステップと、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する第３ステップと、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する第４ステップと、
判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する第５ステップとを含むＧタンパク共役型受容体判別方法。
【請求項９】
複数の既知のＧタンパク共役型受容体タンパク質及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項８に記載のＧタンパク共役型受容体判別方法。
【請求項１０】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項９に記載のＧタンパク共役型受容体判別方法。
【請求項１１】
前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴とする請求項８〜１０の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１２】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項８〜１１の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１３】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項８〜１２の何れかの項に記載のＧタンパク共役型受容体判別方法。
【請求項１４】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項１３に記載のＧタンパク共役型受容体判別方法。
【請求項１５】
コンピュータに、
タンパク質のアミノ酸配列データを、アミノ酸の属するクラス毎に付与された識別子で表した配列である識別子配列データに変換する機能と、
前記識別子配列データを分割し、所定の識別子数の長さの複数のフラグメントを生成し、生成された前記フラグメントの総数に対する各々の前記フラグメントの数の割合として各々の前記フラグメントの頻度を求める頻度算出機能と、
前記タンパク質の残基数、疎水性指標及び複数の前記頻度から特徴ベクトルを生成する機能と、
複数のタンパク質の各々に関する前記特徴ベクトル及びＧタンパク共役型受容体であるか否かを表すＧタンパク共役型受容体変数を用いて、サポートベクターマシンによってＧタンパク共役型受容体判別モデルを生成する機能と、
判別対象のタンパク質に関する前記特徴ベクトル及び前記Ｇタンパク共役型受容体判別モデルを用いて判別対象のタンパク質がＧタンパク共役型受容体であるか否かを判別する機能とを実現させるためのＧタンパク共役型受容体判別プログラム。
【請求項１６】
複数の既知のＧタンパク共役型受容体タンパク質、及びＧタンパク共役型受容体でない複数の膜タンパク質を用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１５に記載のＧタンパク共役型受容体判別プログラム。
【請求項１７】
Ｇタンパク共役型受容体でない複数の可溶性タンパク質をさらに用いて前記Ｇタンパク共役型受容体判別モデルを生成することを特徴とする請求項１６に記載のＧタンパク共役型受容体判別プログラム。
【請求項１８】
前記フラグメントの長さが１、３、５、又は６の何れかであることを特徴とする請求項１５〜１７の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項１９】
前記疎水性指標が、疎水親水指数（Hydropathy index）、疎水性因子（Hydrophobicity factor）、最適化マッチング疎水性（Optimal matching hydrophobicity）、疎水性（Hydrophobicity）、及び疎水性スケール（Hydrophobicity scales）の中の何れかから選択される１つであることを特徴とする請求項１５〜１８の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項２０】
前記識別子が、塩基性アミノ酸、酸性アミノ酸、芳香族アミノ酸、イミノ酸、及び脂肪族アミノ酸のクラス毎に付与されていることを特徴とする請求項１５〜１９の何れかの項に記載のＧタンパク共役型受容体判別プログラム。
【請求項２１】
前記識別子が１以上５以下の範囲の整数値であることを特徴とする請求項２０に記載のＧタンパク共役型受容体判別プログラム。
【請求項２２】
請求項１５〜２１の何れかの項に記載のＧタンパク共役型受容体判別プログラムを記録したコンピュータ読み取り可能な記録媒体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００６−３９７０（Ｐ２００６−３９７０Ａ）
【公開日】平成１８年１月５日（２００６．１．５）
【国際特許分類】
【出願番号】特願２００４−１７６９６５（Ｐ２００４−１７６９６５）
【出願日】平成１６年６月１５日（２００４．６．１５）
【出願人】（０００２０６９５６）大塚製薬株式会社 (230)
【Ｆターム（参考）】
【公開日】平成１８年１月５日（２００６．１．５）
【国際特許分類】
【出願日】平成１６年６月１５日（２００４．６．１５）
【出願人】（０００２０６９５６）大塚製薬株式会社 (230)
【Ｆターム（参考）】
[ Back to top ]