Google DeepMind представила AlphaProtein Novo (AP Novo) — конвейер машинного обучения для de novo дизайна ферментов. Согласно препринту, опубликованному на этой неделе на bioRxiv, система впервые показывает, что вычислительно спроектированные ферменты могут превосходить майнинг природных последовательностей в сложной химии. Созданный совместно с Калтехом и Университетом Питтсбурга, AP Novo конструирует ферменты на основе первых принципов, а не оптимизирует существующие белки, решая давнюю проблему в поиске биокатализаторов. Поскольку открытие природных ферментов зависит от последовательностей, уже созданных эволюцией, реакции, никогда не принятые живыми организмами, оставляют мало что для поиска — именно этот пробел призван закрыть подход «с нуля».

В основе конвейера лежит скаффолдинг мотивов. Диффузионная модель совместно генерирует структуры белков и аминокислотные последовательности вокруг каталитического мотива — расположения боковых цепей и лигандов, необходимого для гипотетического механизма реакции. Затем кандидатные дизайны отсеиваются с помощью метрик, основанных на предсказаниях AlphaFold 3, которые оценивают значимые для механизма атомные детали, такие как геометрия между каталитическим основанием и его субстратом. В общей сложности команда протестировала более 5 600 дизайнов в пяти реакциях, сообщив о частоте попаданий до 80% в лучших дизайнерских гранях и рекордных каталитических эффективностях на эталонных реакциях без итеративной экспериментальной оптимизации.

Два ключевых применения демонстрируют широту подхода. Первое нацелено на нитрен-трансферазы, синтезирующие пиперидины — гетероцикл, присутствующий во многих одобренных FDA препаратах. Конкурентная циклизация субстрата может давать как пятичленное пирролидиновое, так и шестичленное пиперидиновое кольцо, причем природные гемовые ферменты сильно предпочитают первое. Скрининг 188 природных и инженерных вариантов не выявил ни одного фермента с соотношением пиперидин-к-пирролидину выше 30:70. Ведущий de novo дизайн, GDM_NT_270, достиг региоселективности 99:1 в пользу пиперидина с 94% энантиомерного избытка — показателя того, насколько исключительно молекула образуется в одной зеркальной форме, параметра чистоты, важного в синтезе лекарств, — и 22 оборотов, инвертируя природное предпочтение за счет прямого контроля над герией активного центра.

Второе применение было нацелено на ди(2-этилгексил)фталат (DEHP) — повсеместный пластификатор и загрязнитель окружающей среды, нарушающий работу эндокринной системы, чьи объемные боковые цепи и нерастворимость в воде делают его недоступным для большинства природных гидролаз. Недавний скрининг 65 природных эстераз выявил лишь одну активную DEHPазу; AP Novo, напротив, дал семь новых структурных семейств, способных к этой реакции, с частотой попаданий новых скаффолдов до 11% (39% для повторно используемых скаффолдов). Хотя дизайны пока менее активны, чем природные ферменты, в водных условиях, они демонстрируют редкие в природе свойства: один фермент из 191 остатка был в 14 раз активнее при 90°C, чем при комнатной температуре, и сохранял функциональность в 75% ацетонитрила — условиях, которые полностью денатурируют природные эстеразы. Такая устойчивость имеет практическое значение, поскольку повышенные температуры ускоряют реакции, а органические растворители помогают растворять нерастворимые в воде субстраты вроде DEHP. Его небольшой размер и высокая экспрессия в E. coli дополнительно снижают затраты на производство.

Ансамбли последовательностей как ключевой сигнал

Главное методологическое открытие работы касается фильтрации. Исследователи обнаружили, что оценка ансамблей последовательностей, полученных с помощью LigandMPNN, на одном и том же остове — где каждый ресеквенированный вариант должен проходить фильтры, основанные на механизме, — резко усиливает предсказательную силу, повышая частоту попаданий сериновых эстераз до 30 раз. В сочетании с ресемплированием остова методом частичной диффузии это довело ретроспективную частоту попаданий до 60% для Kemp-элиминаз и 80% для сериновых эстераз. Авторы утверждают, что это объясняет, почему работают конвейеры итеративного редизайна: они неявно отбирают остовы, чье локальное пространство последовательность-структура в целом поддерживает предполагаемую каталитическую геометрию.

Ограничения сохраняются. Каталитические активности остаются на порядки ниже, чем у природных или оптимизированных направленной эволюцией ферментов, построение мотивов требует экспертизы, специфичной для конкретной реакции, а модели пока не способны существенно отражать физику катализа. Тем не менее, с выпущенным для некоммерческого использования кодом и весами — доступом, позволяющим внешним исследовательским группам применять конвейер к собственным целевым реакциям, — AP Novo сигнализирует, что генеративный дизайн белков превращается в практичное дополнение — а в отдельных случаях и альтернативу — майнингу природного биоразнообразия.

Источник: Metaverse