Google DeepMind heeft AlphaProtein Novo (AP Novo) geïntroduceerd, een machine-learningpipeline voor de novo enzymontwerp. Volgens een deze week op bioRxiv gepubliceerde preprint toont het systeem voor het eerst dat computationeel ontworpen enzymen natuurlijke sequentiemining kunnen overtreffen bij uitdagende chemie. AP Novo, in gezamenlijkheid gebouwd met Caltech en de University of Pittsburgh, construeert enzymen vanuit eerste principes in plaats van bestaande eiwitten te optimaliseren, en pakt daarmee een langstaand knelpunt in de ontdekking van biokatalysatoren aan. Omdat natuurlijke enzymontdekking afhankelijk is van sequenties die de evolutie al heeft voortgebracht, laten reacties die nooit door levende organismen zijn aangenomen weinig te mijnen over — precies het gat dat een aanpak vanaf de basis moet dichten.

De kern van de pipeline is motief-scaffolding. Een diffusiemodel genereert gelijktijdig eiwitstructuren en aminozuursequenties rond een katalytisch motief — de rangschikking van zijketens en liganden die nodig is voor een verondersteld reactiemechanisme. Kandidaat-ontwerpen worden vervolgens gescreend met meetgegevens afgeleid van AlphaFold 3-voorspellingen, die mechanistisch relevante atomaire details beoordelen, zoals de geometrie tussen een katalytische base en zijn substraat. In totaal testte het team meer dan 5.600 ontwerpen over vijf reacties, met hit rates tot 80% in de beste ontwerpfacetten en state-of-the-art katalytische efficiënties op benchmarkreacties zonder iteratieve experimentele optimalisatie.

Twee kopapplicationen tonen de breedte van de aanpak. De eerste richt zich op nitreen-transferases die piperidines synthetiseren, een heterocyclische verbinding die in tal van door de FDA goedgekeurde geneesmiddelen voorkomt De concurrerende cyclisatie van een substraat kan ofwel een vijfringige pyrrolidine ofwel een zesringige piperidine-ring opleveren, en natuurlijke heem-enzymen geven sterk de voorkeur aan de eerste. Het screenen van 188 natuurlijke en ontworpen varianten leverde geen enkel enzym op dat een piperidine-tot-pyrrolidine-verhouding van 30:70 overtrof. Het leidende de novo-ontwerp, GDM_NT_270, behaalde een 99:1-regioselectiviteit voor piperidine met 94% enantiomeeroverschot — een maat voor hoe uitsluitend een molecuul in één spiegelbeeldvorm wordt geproduceerd, een zuiverheidsvariabele die belangrijk is bij drugsynthese — en 22 turnovers, waarbij de natuurlijke voorkeur werd omgekeerd door directe controle over de geometrie van de actieve plaats.

De tweede toepassing richtte zich op di(2-ethylhexyl)ftalaat (DEHP), een wijdverbreide weekmaker en hormoonverstorende milieuverontreinigende stof wier omvangrijke zijketens en wateronoplosbaarheid de meeste natuurlijke hydrolasen verslaan. Een recente screening van 65 natuurlijke esterases identificeerde slechts één actief DEHPase; AP Novo produceerde daarentegen zeven nieuwe structurele families die de reactie aankunnen, met een hit rate van 11% voor nieuwe scaffolds (39% voor hergebruikte scaffolds). Hoewel de ontwerpen in waterige omstandigheden minder actief blijven dan natuurlijke enzymen, vertonen ze eigenschappen die zelden in de natuur voorkomen: één enzym van 191 residuen was bij 90°C veertien keer actiever dan bij kamertemperatuur en bleef functioneel in 75% acetonitril — omstandigheden waarbij natuurlijke esterases volledig denatureren. Zulk robuustheid heeft praktisch gewicht, aangezien verhoogde temperaturen reacties versnellen en organische oplosmiddelen helpen wateronoplosbare substraten zoals DEHP op te lossen. De geringe omvang en de hoge expressie in E. coli verlagen bovendien de productiekosten.

Sequentie-ensembles als kernsignaal

De belangrijkste methodologische inzichten van het onderzoek betreffen filtering. De onderzoekers ontdekten dat het evalueren van ensembles van met LigandMPNN afgeleide sequenties tegen hetzelfde skelet — waarbij elke opnieuw gesequendeerde variant door op het mechanisme geïnspireerde filters moest passen — de voorspellende kracht aanzienlijk versterkte, met hit rates voor serine-esterases tot wel dig keer hoger. In combinatie met partieel-diffusie hersampling van het skelet werden retrospectieve hit rates geduwd naar 60% voor Kemp-eliminases en 80% voor serine-esterases. De auteurs stellen dat dit verklaart waarom iteratieve herontwerppipelines werken: ze selecteren impliciet voor skeletten waarvan de lokale sequentie-structuurruimte de beoogde katalytische geometrie breed ondersteunt.

Beperkingen blijven bestaan. Katalytische activiteiten liggen nog orden van grootte onder die van natuurlijke of via gerichte evolutie geoptimaliseerde enzymen, motiefconstructie vereist reactiespecifieke expertise, en de modellen vangen de fysica van katalyse nog niet betekenisvol. Desondanks signaleert AP Novo, met code en gewichten vrijgegeven voor niet-commercieel gebruik — toegang die externe onderzoeksgroepen in staat stelt de pipeline toe te passen op hun eigen doelreacties — dat generatief eiwitontwerp rijpt tot een praktische aanvulling op — en in bepaalde gevallen een alternatief voor — het mijnen van natuurlijke biodiversiteit.

Bron: Metaverse