Google DeepMind zaprezentował AlphaProtein Novo (AP Novo) — potok uczenia maszynowego do de novo projektowania enzymów. Zgodnie z preprintem opublikowanym w tym tygodniu na bioRxiv system po raz pierwszy pokazuje, że enzymy zaprojektowane komputerowo mogą przewyższać eksplorację naturalnych sekwencji w przypadku wymagającej chemii. Zbudowany wspólnie z Caltech i University of Pittsburgh, AP Novo konstruuje enzymy od pierwszych zasad, zamiast optymalizować istniejące białka, adresując wieloletnie wąskie gardło w odkrywaniu biokatalizatorów. Ponieważ odkrywanie naturalnych enzymów opiera się na sekwencjach, które ewolucja już wytworzyła, reakcje nigdy nieprzyjęte przez organizmy żywe pozostawiają niewiele do „wydobycia” — to właśnie tę lukę ma zamykać podejście od podstaw.

Sercem potoku jest scaffolding motywów. Model dyfuzyjny współgeneruje struktury białek i sekwencje aminokwasowe wokół motywu katalitycznego — układu łańcuchów bocznych i ligandów wymaganego dla hipotetycznego mechanizmu reakcji. Projekty kandydackie są następnie filtrowane za pomocą metryk wywodzących się z predykcji AlphaFold 3, które oceniają istotne mechanistycznie szczegóły atomowe, takie jak geometria między zasadą katalityczną a jej substratem. Łącznie zespół przetestował ponad 5 600 projektów w pięciu reakcjach, raportując skuteczność do 80% w najlepszych aspektach projektowych oraz najwyższe w branży wydajności katalityczne w reakcjach wzorcowych, bez iteracyjnej optymalizacji eksperymentalnej.

Dwie flagowe aplikacje pokazują szerokość podejścia. Pierwsza dotyczy transferaz nitrenowych syntetyzujących piperydyny — heterocyklu obecnego licznych lekach zatwierdzonych przez FDA. Konkurencyjna cyklizacja substratu może dać either pięcioczłonowy pierścień pirolidyny lub sześcioczłonowy pierścień piperydyny, a naturalne enzymy hemowe silnie faworyzują ten pierwszy. Przesiewanie 188 wariantów naturalnych i inżynierowanych nie ujawniło żadnego enzymu przekraczającego stosunek piperydyny do pirolidyny 30:70. Wiodący projekt de novo, GDM_NT_270, osiągnął regioselektywność 99:1 dla piperydyny z 94% nadmiarem enancjomerycznym — miarą tego, jak wyłącznie cząsteczka powstaje w jednej formie lustrzanej, zmiennej czystości istotnej w syntezie leków — oraz 22 cykle obrotu, odwracając naturalną preferencję poprzez bezpośrednią kontrolę geometrii centrum aktywnego.

Druga aplikacja celowała w di(2-etyloheksylo)ftalan (DEHP) — wszechobecny plastyfikator i zanieczyszczenie środowiskowe zaburzające gospodarkę hormonalną, którego masywne łańcuchy boczne i nierozpuszczalność w wodzie pokonują większość naturalnych hydrolaz. Ostatnie przesiewanie 65 naturalnych esteraz wykryło tylko jedną aktywną DEHPazę; AP Novo natomiast wygenerował siedem nowych rodzin strukturalnych zdolnych do tej reakcji, ze skutecznością dla nowych szkieletów sięgającą 11% (39% dla szkieletów poddanych recyklingowi). Choć projekty pozostają mniej aktywne niż enzymy naturalne w warunkach wodnych, wykazują właściwości rzadko spotykane w naturze: jeden enzym o długości 191 reszt był 14-krotnie bardziej aktywny w 90°C niż w temperaturze pokojowej i pozostawał funkcjonalny w 75% acetonitrylu — warunkach, które całkowicie denaturują naturalne esterazy. Taka odporność ma znaczenie praktyczne, ponieważ podwyższone temperatury przyspieszają reakcje, a rozpuszczalniki organiczne pomagają rozpuszczać substraty nierozpuszczalne w wodzie, takie jak DEHP. Mały rozmiar i wysoka ekspresja w E. coli dodatkowo obniżają koszty produkcji.

Ensemble sekwencji jako kluczowy sygnał

Główny metodologiczny wniosek badania dotyczy filtrowania. Badacze odkryli, że ocena ensemble'ów sekwencji pochodzących z LigandMPNN względem tego samego szkieletu — wymagająca, aby każdy wariant po rescykwencjonowaniu przechodził filtry inspirowane mechanizmem — dramatycznie wzmocła moc predykcyjną, podnosząc skuteczność dla esteraz serynowych aż 30-krotnie. Połączenie tego z częściowym resamplingiem dyfuzyjnym szkieletu doprowadziło do retrospektywnej skuteczności 60% dla Kemp eliminaz i 80% dla esteraz serynowych. Autorzy argumentują, że to wyjaśnia, dlaczego iteracyjne potoki przeprojektowywania działają: w sposób niejawny selekcjonują szkielety, których lokalna przestrzeń sekwencja–struktura szeroko wspiera zamierzoną geometrię katalityczną.

Ograniczenia pozostają. Aktywności katalityczne są wciąż o rzędy wielkości niższe niż enzymów naturalnych lub zoptymalizowanych poprzez ewolucję kierowaną, konstrukcja motywów wymaga wiedzy specyficznej dla danej reakcji, a modele nie potrafią jeszcze w istotny sposób uchwycić fizyki katalizy. Niemniej jednak, wraz z udostępnieniem kodu i wag do użytku niekomercyjnego — co pozwala zewnętrznym grupom badawczym stosować potok do własnych reakcji docelowych — AP Novo sygnalizuje, że generatywne projektowanie białek dojrzewa do praktycznego uzupełnienia — a w wybranych przypadkach alternatywy — dla eksploracji naturalnej bioróżnorodności.

Źródło: Metaverse