Искусственный интеллект ускоряет поиск новых и лучших ферментов
Ферменты — это катализаторы природы. Они необходимы для жизни, используются в медицине, промышленности и быту. Учёные стремятся создавать новые ферменты для решения задач от улавливания парниковых газов до обезвреживания токсинов.
Команда биоинженеров разработала вычислительный рабочий процесс, который позволяет проектировать тысячи новых ферментов на компьютере, предсказывать их свойства и тестировать производительность в различных химических реакциях. Результаты опубликованы в журнале Nature Communications.
Ключевое преимущество: процесс занимает дни вместо недель или месяцев.
"Мы используем машинное обучение для предсказания высокоактивных ферментов, смоделированных из мутировавших последовательностей ДНК на компьютере, а не созданных вручную в лаборатории", — говорит Майкл Джуэтт, профессор биоинженерии в Стэнфордском университете.
От классической эволюции к машинному обучению
Традиционный метод направленной эволюции требует:
- Начать с природного фермента.
- Вносить изменения в его ДНК в лаборатории.
- Производить варианты ферментов в живых клетках.
- Очищать и тестировать их в химических реакциях.
Этот итеративный процесс может потребовать десятков тысяч попыток для нахождения одного эффективного фермента.
Новый подход сокращает этот процесс:
- Машинное обучение предсказывает высокоактивные варианты ферментов.
- Ферменты синтезируются и тестируются в бесклеточных системах (без живых организмов).
- Всё моделируется на компьютере.
"Мы просто ускоряем процесс с помощью машинного обучения и компьютеров", — поясняет Джуэтт.
Доказательство концепции и перспективы
В качестве доказательства концепции команда использовала свой инструмент для:
- Синтеза фармацевтического маломолекулярного соединения с выходом 90% (против исходных 10%).
- Параллельного создания восьми дополнительных терапевтических ферментов.
Исследование было сосредоточено на реакции амидной связи, важной для фармацевтики и пищевой промышленности. Однако метод открывает возможности для:
- Создания ферментов для деградации токсинов в окружающей среде.
- Повышения биодоступности белковой пищи.
- Замены дорогих или токсичных промышленных процессов на более быстрые, безопасные и дешёвые.
Вызовы и будущее
Главным препятствием стала нехватка данных. Для эффективной работы ИИ необходимы большие объёмы высококачественных данных, которые в области направленной эволюции пока ограничены.
"Если я хочу протестировать десятки тысяч вариантов фермента, в научной литературе я могу найти данные по 10 вариантам. Не по сотням, тысячам или десяткам тысяч", — отмечает Джуэтт.
В этом исследовании удалось оценить около 3000 мутантов ферментов по примерно 1000 продуктов и 10 000 химических реакций. Однако потребности в данных на порядки выше. Генерация таких данных — ключевая задача для будущего развития подхода.