Clear Sky Science · it

Progettazione ed enhancement funzionale delle proteine con iterazione di rinforzo ontologico

2026-03-19 · Torna all'indice

Insegnare ai computer a costruire proteine migliori

Le proteine svolgono quasi tutto il lavoro all'interno delle cellule viventi, dalla degradazione del cibo alla difesa contro le infezioni. Gli scienziati vorrebbero progettare nuove proteine su richiesta, come enzimi industriali più resistenti o strumenti medici migliori, ma trasformare le idee al computer in molecole reali e funzionanti è ancora difficile. Questo studio introduce un nuovo sistema chiamato ORI che collega direttamente l'intelligenza artificiale agli esperimenti di laboratorio, con l'obiettivo di rendere la progettazione proteica più rapida, più affidabile e più facile da controllare.

Perché progettare proteine è così difficile

Ogni proteina è costruita da una lunga catena di amminoacidi, e piccole modifiche a questa catena possono alterare drasticamente il modo in cui la molecola si ripiega e si comporta. L'IA moderna può prevedere le forme delle proteine e persino generare nuove sequenze, ma esiste un divario ostinato tra ciò che appare valido al computer e ciò che funziona effettivamente in provetta. Molti design falliscono perché sono instabili, non si ripiegano correttamente o mancano dell'attività desiderata, costringendo i ricercatori a fare affidamento su un lento processo di tentativi ed errori.

Un circuito chiuso tra computer e laboratorio

Il framework ORI affronta questo problema creando un ciclo di feedback tra modelli di IA e esperimenti reali

Figure 1. Come un'IA guidata da test di laboratorio progetta proteine più efficaci per esigenze reali.

. Si compone di tre parti principali. Prima, un “agente di progettazione proteica” interpreta la richiesta in linguaggio naturale di uno scienziato, per esempio volere un enzima che funzioni ad alta temperatura, e la traduce in una lista strutturata di proprietà. Secondo, un ampio modello di generazione di proteine usa questa lista per scrivere molte nuove sequenze proteiche che probabilmente soddisfano quei requisiti. Terzo, un modello unificato di sequenza valuta rapidamente ogni candidato per qualità come stabilità, solubilità e presenza di regioni funzionali importanti, filtrando le opzioni deboli prima che arrivino in laboratorio.

Imparare dal feedback sperimentale

Ciò che rende ORI diverso è che non si ferma alla predizione; impara dai successi e dai fallimenti del laboratorio. I design proteici selezionati vengono sintetizzati e testati per quanto bene si esprimono, per la loro attività e per il comportamento sotto stress. Questi risultati vengono poi reinseriti nell'IA usando una strategia adattata dall'apprendimento per rinforzo, permettendo al sistema di favorire gradualmente schemi di sequenza che performano bene nella realtà anziché solo sulla carta. Attraverso più cicli, l'IA diventa migliore nel proporre candidati che superano questo vaglio nel mondo reale

Figure 2. Come l'IA filtra e perfeziona moltissimi design proteici fino a poche potenti varianti termostabili.

Costruire enzimi più forti, più resistenti al calore e a doppia funzione

Per dimostrare le capacità di ORI, gli autori lo hanno applicato a diverse sfide di progettazione enzimatica. Per i lisozimi, che degradano le pareti cellulari batteriche, il sistema ha generato molte varianti e, dopo aver appreso dal feedback sperimentale, ha prodotto versioni con attività molto superiore rispetto ai lisozimi naturali, inclusa una circa centovolt più attiva rispetto a un riferimento standard. ORI è stato usato anche per progettare chitinasici, enzimi che digeriscono la chitina presente nei gusci degli insetti e nei funghi. Orientando il modello verso caratteristiche resistenti al calore, il team ha creato chitinasici che mantenevano attività a temperature attorno agli 85 gradi Celsius, ben oltre ciò che la maggior parte delle versioni naturali tollera. Infine, il sistema ha ingegnerizzato proteine singole che combinano sia attività di lisozima sia di chitinasico, e alcune di queste proteine a doppia funzione hanno superato i loro omologhi naturali specializzati in entrambi i compiti.

Un nuovo modo di esplorare le possibilità delle proteine

Per i non specialisti, l'idea chiave è che ORI trasforma la progettazione proteica in una conversazione continua tra modelli computazionali e laboratorio umido, anziché in una predizione una tantum. Il sistema usa conoscenze strutturate sui tipi e le proprietà delle proteine per guidare la sua immaginazione, e ascolta attentamente ciò che gli esperimenti dicono su ogni nuovo design. Ripetendo questo processo, ORI può non solo eguagliare le proteine naturali, ma talvolta superarle in robustezza, resistenza al calore o versatilità. Questo suggerisce un futuro in cui proteine su misura per medicina, industria e applicazioni ambientali possono essere sviluppate in modo più efficiente e con maggiore fiducia.

Citazione: He, B., Qin, C., Zhao, Y. et al. Functional protein design and enhancement with ontology reinforcement iteration. Nat Commun 17, 4158 (2026). https://doi.org/10.1038/s41467-026-69855-6

Parole chiave: ingegneria delle proteine, progettazione di enzimi, intelligenza artificiale, enzimi termostabili, proteine multifunzionali