Google DeepMind hat AlphaProtein Novo (AP Novo) vorgestellt, eine Machine-Learning-Pipeline für das De-novo-Design von Enzymen. Laut einem diese Woche auf bioRxiv veröffentlichten Preprint zeigt das System erstmals, dass computergestützt entworfene Enzyme bei anspruchsvoller Chemie das Mining natürlicher Sequenzen übertreffen können. Gemeinsam mit Caltech und der University of Pittsburgh entwickelt, konstruiert AP Novo Enzyme aus ersten Prinzipien, statt bestehende Proteine zu optimieren, und adressiert damit einen lange bestehenden Engpass bei der Entdeckung von Biokatalysatoren. Da die Entdeckung natürlicher Enzyme von Sequenzen abhängt, die die Evolution bereits hervorgebracht hat, bleiben Reaktionen, die Lebewesen nie übernommen haben, weitgehend unerschlossen — genau die Lücke, die ein Ansatz von Grund auf schließen soll.

Im Kern der Pipeline steht das Motif-Scaffolding. Ein Diffusionsmodell generiert Proteinstrukturen und Aminosäuresequenzen gemeinsam um ein katalytisches Motiv herum — die Anordnung von Seitenketten und Liganden, die für einen vermuteten Reaktionsmechanismus erforderlich ist. Kandidatenentwürfe werden anschließend anhand von Metriken gefiltert, die aus AlphaFold-3-Vorhersagen abgeleitet werden und mechanistisch relevante atomare Details bewerten, etwa die Geometrie zwischen einer katalytischen Base und ihrem Substrat. Insgesamt testete das Team mehr als 5.600 Entwürfe über fünf Reaktionen hinweg und meldete Trefferquoten von bis zu 80% in den besten Design-Facetten sowie State-of-the-art-katalytische Effizienzen bei Benchmark-Reaktionen — ohne iterative experimentelle Optimierung.

Zwei zentrale Anwendungen zeigen die Bandbreite des Ansatzes. Die erste zielt auf Nitren-Transferasen ab, die Piperidine synthetisieren — ein Heterozyklus, der in zahlreichen von der FDA zugelen Arzneimitteln vorkommt. Die konkurrierende Cyclisierung eines Substrats kann entweder einen fünfgliedrigen Pyrrolidin- oder einen sechsgliedrigen Piperidin-Ring ergeben, und natürliche Häm-Enzyme bevorzugen stark ersteren. Das Screening von 188 natürlichen und technisierten Varianten förderte kein Enzym zutage, das ein 30:70-Verhältnis von Piperidin zu Pyrrolidin überschritt. Der führende De-novo-Entwurf, GDM_NT_270, erreichte eine 99:1-Regioselektivität für Piperidin mit 94% Enantiomerenüberschuss — ein Maß dafür, wie ausschließlich ein Molekül in einer Spiegelbildform erzeugt wird, eine Reinheitsgröße, die in der Arzneimittelsynthese eine Rolle spielt — sowie 22 Turnovers, und invertierte damit die natürliche Präferenz durch direkte Kontrolle über die Geometrie der aktiven Stelle.

Die zweite Anwendung zielte auf Di(2-ethylhexyl)phthalat (DEHP) ab, einen allgegenwärtigen Weichmacher und umweltverschmutzenden endokrinen Disruptor, dessen sperrige Seitenketten und Wasserunlöslichkeit die meisten natürlichen Hydrolasen überfordern. Ein kürzliches Screening von 65 natürlichen Esterasen identifizierte nur eine aktive DEHPase; AP Novo hingegen lieferte sieben neue strukturelle Familien, die die Reaktion durchführen können, mit einer Trefferquote von 11% für neuartige Scaffolds (39% für recycelte Scaffolds). Zwar sind die Entwürfe in wässrigen Bedingungen derzeit weniger aktiv als natürliche Enzyme, doch weisen sie Eigenschaften auf, die in der Natur selten sind: Ein Enzym mit 191 Resten war bei 90°C 14-mal aktiver als bei Raumtemperatur und blieb in 75% Acetonitril funktionsfähig — Bedingungen, unter denen natürliche Esterasen vollständig denaturieren. Diese Robustheit ist praktisch bedeutsam, da erhöhte Temperaturen Reaktionen beschleunigen und organische Lösungsmittel helfen, wasserunlösliche Substrate wie DEHP zu lösen. Seine geringe Größe und hohe Expression in E. coli senken zudem die Produktionskosten.

Sequenz-Ensembles als entscheidendes Signal

Die zentrale methodische Erkenntnis der Studie betrifft das Filtern. Die Forscher fanden heraus, dass die Bewertung von Ensembles aus LigandMPNN-generierten Sequenzen gegen dasselbe Backbone — wobei jede neu sequenzierte Variante mechanistisch inspirierte Filter passieren muss — die Vorhersagekraft dramatisch verstärkte und die Trefferquoten bei Serin-Esterasen um bis zum 30-Fachen anhob. In Kombination mit partiellem Diffusions-Resampling des Backbones stiegen die retrospektiven Trefferquoten auf 60% bei Kemp-Eliminasen und 80% bei Serin-Esterasen. Die Autoren argumentieren, dass dies erklärt, warum iterative Redesign-Pipelines funktionieren: Sie implizit selektieren Backbones, deren lokaler Sequenz-Struktur-Raum die beabsichtigte katalytische Geometrie breit unterstützt.

Einschränkungen bestehen weiterhin. Die katalytischen Aktivitäten liegen noch Größenordnungen unter denen natürlicher oder durch gerichtete Evolution optimierter Enzyme, der Aufbau von Motiven erfordert reaktionsspezisches Fachwissen, und die Modelle erfassen die Physik der Katalyse noch nicht aussagekräftig. Dennoch signalisiert AP Novo — mit für nicht-kommerzielle Nutzung freigegebenen Codes und Gewichten, die externen Forschungsgruppen die Anwendung der Pipeline auf eigene Zielreaktionen ermöglichen —, dass sich das generative Proteindesign zu einer praktischen Ergänzung — und in ausgewählten Fällen zu einer Alternative — zum Mining natürlicher Biodiversität entwickelt.

Quelle: Metaverse