האצה של גילוי ננו‑היברידים אנזימטיים בעלי פעילות גבוהה בעזרת אופטימיזציה בייסיאנית מקבילית במרחב היברידי

מפעלים חכמים לעובדים זעירים של הטבע

אנזימים הם המכונות המיקרוסקופיות של הטבע, שמניעות בשקט כל דבר החל באופן שבו צמחים קולטם אור ועד לאופן שבו גופנו עיכול מזון. התעשיות ישמחו לנצל את הכלים הביולוגיים האלה כדי לייצר דלקים, תרופות וחומרים בצורה נקייה ויעילה יותר. אבל אנזימים עדינים: מחוץ לאזור הנוחות הטבעי שלהם הם לעתים קרובות נפרמים ומפסיקים לפעול. מחקר זה מראה כיצד גישה מונחית בינה מלאכותית (AI) יכולה לתכנן במהירות "חליפות מגן" ננומטריות שמאפשרות לאנזימים להישאר פעילים וניתנים לשימוש חוזר בתנאי תעשייה קשים, מה שעשוי להוריד עלויות ולהאיץ ייצור ירוק יותר.

למה אנזימים זקוקים לבית מגן

כאשר הם חופשיים, אנזימים צפים במים ומתמתחים כל הזמן כדי להאיץ תגובות כימיות במהירות ובדיוק יוצאי דופן. במפעלים, עם זאת, טמפרטורות גבוהות, ממסי קשוחים ושימוש חוזר עלולים לפגוע בצורות העדינות שלהם. פתרון נפוץ הוא לכלא את האנזים בתוך חלקיקים מוצקים או להטמיע אותו עליהם כדי שניתן יהיה להשיבו ולהשתמש בו שוב בקלות. לצערנו, לקו־מכוון זה יש לעתים קרובות מחיר: היציבות גדלה, אך הפעילות צונחת כי החומר סביב הבלוע חוסם מולקולות מלהגיע לאתרים הפעילים, או כי תנאי הגידול הקשים פוגעים באנזים במהלך ההטמעה. לכן תכנון ה"בית" המתאים לכל אנזים הפך לאומנות איטית של ניסוי וטעייה.

חקירה של מרחב תכנון עצום באמצעות AI

הקבוצה פתרה בעיה זו באמצעות חומרים נקבוביים או אמורפיים זעירים הנקראים מסגרות מתכת–אורגניות (MOFs) כתושבות אנזימים. אלה בנויים מיוני מתכת (במקרה הזה, מלחים של אבץ) וממולקולות "קישור" אורגניות שמתחברות כמו לבני בנייה מודולריות. על ידי שילוב של 7 מלחים שונים של אבץ, 17 קישורים שונים, ורמות ריכוז וזמני תגובה ניתנים לכוונון רציף, החוקרים התמודדו עם מרחב תכנון של יותר מעשר מיליון ניסויים אפשריים—הרבה מדי לבחינה ידנית. במקום לנסות לכסות בכוח את הנוף הזה, הם יצרו תהליך עבודה מונחה AI שמרכזו אלגוריתם חדש הנקרא אופטימיזציה בייסיאנית במרחב היברידי מקבילי (PHBO), היכול להתמודד גם עם בחירות "או־או" (איזה מתכת וקישור) וגם עם כוונים רציפים (כמות, משך) תוך הצעה של מספר מתכונים מבטיחים בו‑זמנית.

איך האלגוריתם לומד ומשתפר

PHBO פועל על ידי בניית מודל סטטיסטי שמקשר מתכונים לציון ביצוע יחיד שנקרא "שחזור פעילות", שמקפץ גם כמה אנזים נשאר בתוך הנשא וגם עד כמה הוא עדיין פעיל לאחר מכן. מתוך מערך התחלתי מתון של ניסויים, האלגוריתם חוזה היכן במרחב התכנון סביר למצוא חומרים בעלי ביצועים גבוהים ומציע קבוצות קטנות של ניסויים חדשים במקביל. קריטי לכך הוא שהאלגוריתם מטפל בבחירת המתכת והקישור כהתפלגויות הסתברותיות במקום כהבחנות קבועות, מה שמאפשר לו להשתמש בשיטות מבוססות שיפועים—כלים המיועדים בדרך כלל לבעיות חלקות ורציפות—כדי לטפס ביעילות לכיוון פתרונות טובים יותר. אסטרטגיית "שקרן סמוך" מסייעת לגוון כל אצווה של ניסויים מוצעים, ומונעת מהרובוט־כימאי לבחון שוב ושוב תנאים כמעט זהים.

חליפות ננומטריות מותאמות לאנזימים שונים

באמצעות גלוקוז אוקסידאז (GOx), אנזים חשוב בחיישנים ובתעשיית המזון, החוקרים הראו ש־PHBO יכול להצטיין הן על פני ניסוי וטעייה בהנחיית אדם והן על פני גישה בייסיאנית קודמת. בתוך עשרות ניסויים בלבד, זוהו שילובי אבץ־קישור ששחזרו ואף עלו על פעילות האנזים החופשי, ובאותה עת הציעו את יתרונות העיגון. מיקרוסקופיה ומדידות מבניות חשפו שהנשאים הטובים ביותר אינם הגבישים הקשים והנקבוביים המסורתיים, אלא ננו‑היברידים אבץ‑אורגניים קטנים יותר ואמורפיים יותר. אלה יצרו אזורים מוצקים רופפים עשירים באנזים עם מבנה נקבובי פנימי מינימלי, מה שעוזר למולקולות המטרה להגיע אל האנזימים בקלות רבה יותר תוך שמירה על צורתם התלת‑ממדית.

ללמוד מאנזים אחד כדי לסייע לאחר

הקבוצה הלכה צעד קדימה ושאלה האם מה שה־AI למד עבור אנזים אחד יכול להאיץ אופטימיזציה של אחרים. הם השתמשו בנתונים ובמבנה המודל מ‑GOx כדי "לחמם" חיפושים לשני אנזימים שונים מאוד: קטלאז, שמפרק פרוקסיד מימן, וליפאז של Candida antarctica B, שנמצא בשימוש נרחב בייצור כימיקלים עדינים. בעזרת למידה העברתית זו, הקבוצה הראשונה של התנאים המוצעים לכל אנזים חדש כבר סיפקה ביצועים חזקים, והסיבובים הבאים חשפו במהירות נשאים שהשיגו שחזור פעילות כמעט מלא. מעניין כי המתכונים האידיאליים לנשא שונים עבור כל אנזים, מה שמדגיש שאין חומרים אוניברסליים ומתחתן את הערך של כלי תכנוני גמיש ומונחה נתונים.

מה משמעות הדבר לכימיה ירוקה

לקורא שאינו מומחה, המסר המרכזי הוא שהמחברים בנו מעין "מגלה חכם" לחומרים אנזימטיים. במקום להשקיע חודשים או שנים בבחינת אלפי מתכונים, מדענים יכולים להשתמש בגישה מונחית AI זו כדי להתמקד בכמה קומבינציות נושאות‑אנזים בעלות פעילות גבוהה, גם בתוך ים עצום של אפשרויות. המחקר מראה כי על ידי כינוס רופף של אנזימים במבנים ננו‐מבוקרים בקפידה ניתן לשמור על יציבותם מבלי לוותר על הביצועים, ולכוון את האסטרטגיה במהירות לאנזימים ויישומים חדשים. במונחים מעשיים, הדבר יכול להאיץ פיתוח של תהליכים תעשייתיים נקיים ויעילים יותר—מפסאומטיקה ועד פלסטיקה ביֹה־מתכלה—על ידי הקלה על פריסת אנזימים כקטליזטורים עמידים ובעלי ביצועים גבוהים.

ציטוט: Liu, Y., Hu, H., Han, Y. et al. Accelerated discovery of highly active enzyme nanohybrids with parallelized Bayesian optimization in hybrid space. Nat Commun 17, 3634 (2026). https://doi.org/10.1038/s41467-026-70251-3

מילות מפתח: עיגון אנזימים, אופטימיזציה בייסיאנית, מסגרות מתכת־אורגניות, ביокатליזה, למידת מכונה בכימיה