https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2933958/
Abstract
タンパク質の折り畳みのシミュレーションは、（シミュレーションで可能な時間スケールよりも）長いタイムスケールでの難しさと、得られたシミュレーションデータから洞察することの難しさのために、長年にわたって困難な問題でした。マルコフ状態モデル（MSM）は、これら両方の課題に取り組むための手段を提供し、実験的に関連するタイムスケール、統計的有意性、および人間が理解しやすい粗い表現でシミュレーションを行います。ここでは、MSMを専門家以外の対象者とともにレビューします。 MSMの動機、方法、注意点、および方法の用途の最近のハイライトを紹介します。最後に単一軌跡アプローチからより包括的な統計的アプローチへと、シミュレーションにおけるパラダイムシフトしていることとの関係を議論することで締めくくります。
Memo
Keys ; MSM, 分子動力学シミュレーション, タンパク質の折り畳み, シミュレーション
MSM = Markov State Models ; 分子動力学などシミュレーションに基づくプロセスの研究をマルコフ遷移モデルとして解釈する動力学モデル
十分に詳細なシミュレーションを使用して、ミリ秒～のタイムスケールなどの実験的に関連するタイムスケールで解析したい。マルコフ状態モデル（MSM）は、この課題に対処するスキームとして提案されています。本レビューは非専門家向けのMSM構築の基本的な「方法」ガイドである 2010
- システムサイズと比較してデータが豊富 … MSMは速度論的に意味のあるデータセット分析
- システムサイズと比較してデータが乏しい状況 … MSMを使用して将来のデータ収集を指示=「適応サンプリング(adaptive sampling)」
MSMを実際に行う上での具体的な課題
- 速度論的に意味のある状態群を定義するスキーム
- 遷移行列を構築するための、効率的な状態分解の方法
システム = 考えようとしている系。
マイクロステート = 速度論的に意味のある方法で構造データ(コンフォメーション群)をグループ化する。同じマイクロステート内の立体配座は通常、2Åから3Å以下のRMSD[8、21]
RMSD =
一連の速度論的に関連する状態とそれらの間の遷移率を見つけるために、構造データのクラスタリングを行う。
初期は構造メトリックを使用した従来のクラスタリング手法（k-meansまたはk-centersなど）[8]
構造的類似性は速度論的類似性を意味する
ミクロ状態のより大きなマクロ状態への動的クラスタリングを可能にする。
マイクロステート間の動力学的関係を特定するには、遷移行列を構築する必要がある。
ベイズ的手法により適切に選択された事前確率から遷移行列の推定を改善できる[22–24]
実際の遷移行列はスパースである。
粗視化MSM = 結果のモデルを効果的に使用するために（特に人間が理解できる形式でモデルから洞察を得るために）、粗い粒度のMSMを構築したい。→マイクロステート遷移行列をもとにより少ないステート量に単純化する。この時マイクロステートラグタイムよりも長いタイムスケールとなり、速度論的に関連するステートが少なくなる。ミクロ状態遷移行列のある種のスペクトルクラスタリング[25–27]を介して行われます。
初期モデルの改善：適応サンプリング
通常はデータが豊富にはないため、より良い統計的なMSMを改善するためにより多くのMDシミュレーションを実行する。適応サンプリング法は、既存のマクロ状態遷移行列（より具体的にはその要素の統計的不確実性）を使用して、新しいシミュレーションの開始点を割り当ててMSMを改善する。詳細[16、22、28、29]
MSMの自己整合性の検証
細粒度（マイクロステートベース）および粗視化遷移マトリックスの両方で提案されている。Swope –Pitera固有値検定[31]、情報理論的アプローチ[32]、Chapman-Kolmogorov検定[19]、Bayesian Model selectionアプローチ[23]など
単一軌跡的なアプローチではなく包括的・統計的なシミュレーションの利用ツールとしてのパラダイムシフトとなっている。
(200405)内容についてMemoを更新中