Clear Sky Science · nl

Functioneel eiwitontwerp en verbetering met iteratieve ontologieversterking

2026-03-19 · Terug naar het overzicht

Computers leren betere eiwitten bouwen

Eiwitten verrichten vrijwel al het werk binnen levende cellen, van het afbreken van voedingsstoffen tot het bestrijden van infecties. Wetenschappers willen graag op verzoek nieuwe eiwitten ontwerpen, zoals robuustere industriële enzymen of betere medische hulpmiddelen, maar het omzetten van computerideeën in echte, functionele moleculen blijft moeilijk. Deze studie introduceert een nieuw systeem genaamd ORI dat kunstmatige intelligentie rechtstreeks koppelt aan laboratoriumexperimenten, met als doel eiwitontwerp sneller, betrouwbaarder en beter bestuurbaar te maken.

Waarom eiwitontwerp zo lastig is

Elk eiwit is opgebouwd uit een lange keten van aminozuren, en kleine veranderingen in die keten kunnen drastisch beïnvloeden hoe het molecuul vouwt en functioneert. Moderne AI kan eiwitstructuren voorspellen en zelfs nieuwe sequenties genereren, maar er blijft een hardnekkige kloof tussen wat er in een computer goed uitziet en wat daadwerkelijk in een reageerbuis werkt. Veel ontwerpen falen omdat ze instabiel zijn, niet goed vouwen of de gewenste activiteit missen, waardoor onderzoekers moeten vertrouwen op traag vallen-en-opstaan.

Een gesloten lus tussen computer en lab

Het ORI-kader pakt dit probleem aan door een feedbacklus te creëren tussen AI-modellen en echte experimenten

Figure 1. Hoe een AI, gestuurd door labtests, beter werkende eiwitten ontwerpt voor toepassingen in de praktijk.

. Het bestaat uit drie hoofdcomponenten. Ten eerste leest een "eiwitontwerpagent" een eenvoudige, in gewone taal geformuleerde vraag van een wetenschapper, bijvoorbeeld een enzym dat bij hoge temperatuur werkt, en zet die om in een gestructureerde checklist van eigenschappen. Ten tweede gebruikt een groot model voor eiwitgeneratie deze checklist om veel nieuwe eiwitsequenties te schrijven die waarschijnlijk aan die eisen voldoen. Ten derde beoordeelt een uniform sequentiemodel snel elke kandidaat op eigenschappen zoals stabiliteit, oplosbaarheid en de aanwezigheid van belangrijke functionele regio's, en filtert zwakke opties weg voordat ze het lab bereiken.

Leren van experimentele feedback

Wat ORI onderscheidt is dat het niet bij voorspelling stopt; het leert van de successen en mislukkingen in het lab. Geselecteerde eiwitontwerpen worden gesynthetiseerd en getest op hoe goed ze tot expressie komen, hoe actief ze zijn en hoe ze zich onder stress gedragen. Deze resultaten worden vervolgens teruggevoerd in de AI met een strategie afgeleid van reinforcement learning, waardoor het systeem geleidelijk neigt naar sequentiepatronen die in de echte wereld goed presteren in plaats van alleen op papier. Over meerdere rondes wordt de AI beter in het voorstellen van kandidaten die deze praktische beproeving doorstaan

Figure 2. Hoe AI veel eiwitontwerpen filtert en verfijnt tot een paar krachtige, thermisch bestendige enzymen.

Sterkere, hittebestendigere en dubbelfunctionele enzymen bouwen

Om te laten zien wat ORI kan, pasten de auteurs het toe op verschillende uitdagingen in enzymontwerp. Voor lysozymen, die bacteriële celwanden afbreken, genereerde het systeem veel varianten en leverde het na leren van experimentele feedback versies met veel hogere activiteit dan natuurlijke lysozymen, waaronder één die ongeveer honderd keer actiever was dan een standaardreferentie. ORI werd ook gebruikt om chitinases te ontwerpen, enzymen die chitine afbreken in insectenskeletten en schimmels. Door het model te sturen naar hittebestendige kenmerken, creëerde het team chitinases die actief bleven bij temperaturen rond 85 graden Celsius, ver boven wat de meeste natuurlijke varianten verdragen. Ten slotte ontwierp het systeem enkelvoudige eiwitten die zowel lysozymaat als chitinase-activiteit combineren, en sommige van deze dubbelfunctionele enzymen waren beter dan hun gespecialiseerde natuurlijke tegenhangers in beide taken.

Een nieuwe manier om eiwitmogelijkheden te verkennen

Voor niet-specialisten is het kernidee dat ORI eiwitontwerp verandert in een voortdurende dialoog tussen computermodellen en het natte lab, in plaats van éénmalige voorspellingen. Het systeem gebruikt gestructureerde kennis over eiwittypen en eigenschappen om zijn verbeelding te sturen, en luistert nauwgezet naar wat experimenten over elk nieuw ontwerp zeggen. Door dit proces herhaaldelijk te doorlopen kan ORI niet alleen natuurlijke eiwitten evenaren maar ze soms overtreffen in kracht, warmtebestendigheid of veelzijdigheid. Dit wijst op een toekomst waarin op maat gemaakte eiwitten voor geneeskunde, industrie en milieu efficiënter en met grotere zekerheid kunnen worden ontwikkeld.

Bronvermelding: 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

Trefwoorden: eiwitengineering, enzymontwerp, kunstmatige intelligentie, thermostabiele enzymen, multifunctionele eiwitten