Google DeepMind ha presentato AlphaProtein Novo (AP Novo), una pipeline di machine learning per la progettazione de novo di enzimi. Secondo un preprint pubblicato questa settimana su bioRxiv, il sistema dimostra per la prima volta che enzimi progettati computazionalmente possono superare il data mining di sequenze naturali su chimiche complesse. Sviluppato insieme al Caltech e all'Università di Pittsburgh, AP Novo costruisce enzimi dai principi primi invece di ottimizzare proteine esistenti, affrontando un collo di bottiglia di lunga data nella scoperta di biocatalizzatori. Poiché la scoperta naturale di enzimi dipende da sequenze già prodotte dall'evoluzione, le reazioni mai adottate dagli organismi viventi offrono poco da estrarre — ed è proprio questo il divario che un approccio from scratch è concepito per colmare.

Al centro della pipeline c'è il motif scaffolding. Un modello di diffusione co-genera strutture proteiche e sequenze di amminoacidi attorno a un motivo catalitico — la disposizione delle catene laterali e dei ligandi necessari per un ipotetico meccanismo di reazione. I progetti candidati vengono poi vagliati utilizzando metriche derivate dalle previsioni di AlphaFold 3, che valutano dettagli atomici rilevanti dal punto di vista meccanicistico, come la geometria tra una base catalitica e il suo substrato. In totale, il team ha testato oltre 5.600 progetti su cinque reazioni, riportando tassi di successo fino all'80% nelle migliori fasce di progetto ed efficienze catalitiche all'avanguardia su reazioni di riferimento senza ottimizzazione sperimentale iterativa.

Due applicazioni principali mostrano l'ampiezza dell'approccio. La prima riguarda le nitrene transferasi che sintetizzano le piperidine, un eterociclo presente in numerosi farmaci approvati dalla FDA. La cicl competitiva di un substrato può produrre un anello di pirolidina a cinque membri o di piperidina a sei membri, e gli enzimi emici naturali favoriscono fortemente la prima. Lo screening di 188 varianti naturali e ingegnerizzate non ha evidenziato alcun enzima in grado di superare un rapporto piperidina-pirolidina di 30:70. Il progetto de novo principale, GDM_NT_270, ha raggiunto una regioselettività di 99:1 per la piperidina con un eccesso enantiomerico del 94% — una misura di quanto esclusivamente una molecola viene prodotta in una sola forma speculare, una variabile di purezza rilevante nella sintesi farmaceutica — e 22 turnover, invertendo la preferenza naturale attraverso un controllo diretto sulla geometria del sito attivo.

La seconda applicazione ha preso di mira il di(2-etilesil)ftalato (DEHP), un plastificante diffuso e inquinante ambientale disruptore endocrino le cui catene laterali ingombranti e l'insolubilità in acqua sconfiggono la maggior parte delle idrolasi naturali. Un recente screening di 65 esterasi naturali ha identificato una sola DEHPasi attiva; AP Novo, al contrario, ha prodotto sette nuove famiglie strutturali in grado di eseguire la reazione, con un tasso di successo su scaffold novel raggiungente l'11% (39% per gli scaffold riciclati). Sebbene i progetti restino meno attivi degli enzimi naturali in condizioni acquose, mostrano proprietà rarissime in natura: un enzima di 191 residui era 14 volte più attivo a 90°C che a temperatura ambiente ed è rimasto funzionale in acetonitrile al 75% — condizioni che denaturano completamente le esterasi naturali. Una simile robustezza ha un peso pratico, poiché le temperature elevate accelerano le reazioni e i solventi organici aiutano a dissolvere substrati insolubili in acqua come il DEHP. Le sue ridotte dimensioni e l'elevata espressione in E. coli riducono inoltre i costi di produzione.

Gli ensemble di sequenze come segnale chiave

Il principale contributo metodologico dello studio riguarda il filtraggio. I ricercatori hanno scoperto che valutare ensemble di sequenze derivate da LigandMPNN sullo stesso backbone — esigendo che ogni variante risequenziata superi filtri ispirati al meccanismo — amplifica drammaticamente il potere predittivo, innalzando i tassi di successo sulle esterasi seriniche fino a 30 volte. Combinando questo con il ricampionamento parziale per diffusione del backbone, i tassi di successo retrospettivi sono saliti al 60% per le Kemp eliminasi e all'80% per le esterasi seriniche. Gli autori sostengono che questo spiega perché le pipeline di riprogettazione iterativa funzionano: selezionano implicitamente backbone il cui spazio locale sequenza-struttura supporta ampiamente la geometria catalitica prevista.

Ii permangono. Le attività catalitiche restano di ordini di grandezza inferiori a quelle degli enzimi naturali o ottimizzati tramite evoluzione diretta, la costruzione dei motivi richiede competenze specifiche per la reazione, e i modelli non catturano ancora in modo significativo la fisica della catalisi. Ciononostante, con codice e pesi rilasciati per uso non commerciale — un accesso che consente a gruppi di ricerca esterni di applicare la pipeline a reazioni target di propria scelta — AP Novo segnala che la progettazione generativa di proteine sta maturando fino a diventare un complemento pratico — e, in casi selezionati, un'alternativa — all'estrazione della biodiversità naturale.

Fonte: Metaverse