Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

עיצוב אנזימים ורסטיליים מבוסס-רצף בעזרת בינה מלאכותית גנרטיבית

· חזרה לאינדקס

ללמד אנזימים יכולות חדשות בעזרת בינה מלאכותית

חברה מודרנית פועלת על מולקולות — תרופות, חומרים וכימיקלים מיוחדים — שלרוב מיוצרות בתהליכים צורכי-אנרגיה ומזיקים לסביבה. הקטליזטורים של הטבע, אנזימים, יכולים לבצע עבודות דומות באופן נקי ויעיל, אך מציאת או בניית האנזים המתאים למשימה תעשייתית חדשה היא איטית ומלאת אי-ודאות. המחקר הזה מראה כי בינה מלאכותית גנרטיבית, מאותה משפחת טכנולוגיות שעומדת מאחורי צ׳אטבוטים כותבי טקסט, יכולה לעצב אנזימים חדשים שלא רק פועלים היטב במעבדה אלא שלעיתים עולים על הטובים ביותר שהאבולוציה ושנים של הנדסה כבר ייצרו.

מדוע אנזימים חשובים בחיי היומיום

אנזימים הם מכונות חלבוניות זעירות שמזרזות תגובות כימיות בתאים חיים. כימאים למדו להפיק מהם שימושים לייצור תרופות, רכיבי מזון ומוצרים יקרי ערך אחרים תוך צריכת אנרגיה נמוכה ופחות ממגיבים רעילים מאשר בכימיה המסורתית. המחסום הוא שלכל יישום חדש נדרש בדרך כלל אנזים עם ביצועים מתאימים בדיוק — שיכול לקבל חומרי מוצא מסוימים, לשרוד תנאי תהליך ולתת תשואה גבוהה. "אבולוציה מונחית" קונבנציונלית משפרת אנזימים ע"י יצירה ובחינה של רבות מהגרסאות המוטנטיות, דור אחר דור. זה עובד היטב אך תלוי באנזים התחלתי סביר ועלול לקחת חודשים או שנים של ניסוי וטעייה, מה שמשאיר רבות מהתגובות השימושיות ללא חקר.

Figure 1
Figure 1.

לתת למודל שפה לכתוב DNA

החוקרים פנו למודל שפה בקנה מידה של גנום שנקרא GenSLM, שלומד דפוסים ב-DNA כפי שמודל שפה לומד דקדוק וסגנון בטקסט. במקום לעבוד עם רצפי חלבון סופיים, GenSLM קורא וכותב DNA בקודונים תלת-אותיים, מה שמשקף את האופן שבו תאים מתרגמים גנים לחלבונים. הצוות קודם כל דייק את GenSLM על עשרות אלפי גנים טבעיים עבור תת-יחידה אחת מורכבת במיוחד, שנקראת TrpB, שעוזרת לבנות את חומצת האמינו טריפטופן. לאחר מכן ביקשו מהמודל לייצר אלפי גנים trpB חדשים לחלוטין. מסננים חישוביים פשוטים סיננו רצפים שהם קצרים או ארוכים מדי, ככל הנראה לא מתקפלים כראוי, או כמעט זהים לאנזימים טבעיים מוכרים, והשאירו 105 מועמדים מגוונים לבדיקות ניסוייות בחיידקים.

מעיצובים ממוחשבים לקטליזטורים עובדים

כאשר 105 אנזימי TrpB שעוצבו על-ידי הבינה הופקו ב-E. coli, רבים התקפלו היטב והופקו בכמויות גבוהות. עשרות מהם יכלו לבצע את תפקידם העיקרי: להמיר אינדול ובחומצת האמינו השותפה הטבעית, סרין, לטריפטופן. חלקם פעלו בעקביות גם בטמפרטורות מוגברות, אף על פי שלא נעשה עיצוב מפורש לעמידות בחום. במבחנים ישירים, תת-קבוצה של GenSLM-TrpBs השוותה או התעלה על אנזים מייצב שכבר עבר אבולוציה מונחית במשך שנים כדי לפעול באופן עצמאי ב-75 °C. עיצוב בולט אחד, מסומן 230, ייצר יותר טריפטופן מאנזים ייעודי תעשייתי זה גם בטמפרטורת החדר וגם בטמפרטורות גבוהות, מה שמראה שמודל שאומן רק על נתוני רצף יכול לקפוץ ישירות לביצועים ברמה הגבוהה ביותר.

גמישות חדשה שמעבר למה שבנה הטבע

לאחר מכן הציבו החוקרים את האנזימים מול פאנל של מצעי-מוצא לא-טבעיים — נגזרות אינדול, שותף שונה הדומה לאלכוהול, וחומר פלואורינת המשמש בייצור תרופות. גרסאות טבעיות של TrpB בדרך כלל בררניות: הן מעדיפות בחוזקה את המצע הטבעי שלהן ומראות פעילות מועטה על חלופות כאלה. באופן מרשים, האנזימים שנוצרו על-ידי ה-AI היו לרוב יותר הרפתקניים. עבור כל מצע לא-טבעי שנבדק, לפחות אחד מעיצובי GenSLM הראה פעילות מדידה, ורבים מהם הופיעו טוב יותר מאנזימים טבעיים. שוב, הווריאנט 230 בלט, הממיר את כל שבעת המצעי החלופין עם תשואות שנעו ממידתיות עד כמעט-מלאות — רוחב "פרומיסקואיטי" שלא נראה קודם במשפחת אנזימים זו. עם זאת, כאשר החוקרים השוו את 230 לקרובו הטבעי הקרוב ביותר — שונה רק ב-78 מתוך 400 עמדות חומצות אמיניות — הם מצאו שהאנזים הטבעי חסר את הוורסטיליות הזו אף על פי שמבנהו הכללי ושאריות האתר הפעיל המרכזיות כמעט זהות.

Figure 2
Figure 2.

מה המשמעות לכך עבור כימיה ירוקה עתידית

ללא-המומחה, המסר המרכזי הוא שמודל AI שאומן רק על רצפי DNA קיימים יכול לדמיין אנזימים חדשים ריאליסטיים שהטבע מעולם לא ניסה, שחלקם מהווים כלים טובים יותר לכימיה מאלה שאנו משתמשים בהם כיום. וריאנטים TrpB שעוצבו על-ידי AI שומרים על הצורה והפונקציה החיוניות של קרוביהם הטבעיים אך מרוויחים יכולת יוצאת דופן לטפל במגוון רחב של חומרי מוצא. גמישות זו עשויה להפחית באופן דרסטי את כמות עבודת המעבדה הנדרשת לגילוי מסלולים מבוססי אנזימים לתרופות ומוצרים אחרים. ככל שעיצוב, סינתזת DNA ובדיקה יהפכו למהירים וזולים יותר, מודלים גנרטיביים דומים עשויים להפוך את גילוי האנזימים מציד אוצר איטי למשימה שגרתית ומהירה, ולעזור להזיז יותר כימיה תעשייתית לתהליכים נקיים המונעים על-ידי אנזימים.

ציטוט: Lambert, T., Tavakoli, A., Dharuman, G. et al. Sequence-based generative AI design of versatile tryptophan synthases. Nat Commun 17, 1680 (2026). https://doi.org/10.1038/s41467-026-68384-6

מילות מפתח: הנדסת אנזימים, בינה מלאכותית גנרטיבית, עיצוב חלבונים, טריפטופאן סינתאז, ביקטליזה