Clear Sky Science · pl

Projektowanie i ulepszanie funkcjonalnych białek z wykorzystaniem iteracji wzmocnionej ontologią

2026-03-19 · Powrót do spisu

Nauczanie komputerów budowania lepszych białek

Białka wykonują niemal wszystkie zadania wewnątrz komórek żywych — od rozkładu pokarmu po walkę z infekcjami. Naukowcy chcieliby projektować nowe białka na żądanie, na przykład mocniejsze enzymy przemysłowe lub lepsze narzędzia medyczne, ale przekucie komputerowych pomysłów w rzeczywiste, działające cząsteczki nadal jest trudne. W tym badaniu przedstawiono nowy system o nazwie ORI, który łączy sztuczną inteligencję bezpośrednio z eksperymentami laboratoryjnymi, mając na celu przyspieszenie projektowania białek, zwiększenie jego niezawodności i lepszą kontrolę nad wynikami.

Dlaczego projektowanie białek jest tak trudne

Każde białko zbudowane jest z długiego łańcucha aminokwasów, a drobne zmiany w tym łańcuchu mogą radykalnie zmienić sposób, w jaki cząsteczka się fałduje i zachowuje. Nowoczesne AI potrafią przewidywać kształty białek, a nawet generować nowe sekwencje, lecz nadal istnieje uporczywa przepaść między tym, co wygląda dobrze w komputerze, a tym, co działa w probówce. Wiele projektów zawodzi, ponieważ są niestabilne, nie fałdują się prawidłowo lub nie wykazują oczekiwanej aktywności, co zmusza badaczy do polegania na wolnych metodach prób i błędów.

Zamknięte sprzężenie między komputerem a laboratorium

Ramy ORI rozwiązują ten problem, tworząc pętlę sprzężenia zwrotnego między modelami AI a rzeczywistymi eksperymentami

Figure 1. W jaki sposób AI kierowana testami laboratoryjnymi projektuje białka lepiej spełniające rzeczywiste potrzeby.

. Składa się ona z trzech głównych elementów. Po pierwsze, „agent projektowania białek” odczytuje prośbę naukowca wyrażoną w prostym języku, na przykład chęć uzyskania enzymu działającego w wysokiej temperaturze, i przekształca ją w ustrukturyzowaną listę kontrolną właściwości. Po drugie, duży model generujący sekwencje białek wykorzystuje tę listę do tworzenia wielu nowych sekwencji, które prawdopodobnie spełnią te wymagania. Po trzecie, zunifikowany model sekwencji szybko ocenia każdy kandydat pod kątem cech takich jak stabilność, rozpuszczalność i obecność istotnych regionów funkcjonalnych, odfiltrowując słabe opcje zanim trafią do laboratorium.

Nauka na podstawie informacji zwrotnej z eksperymentów

To, co odróżnia ORI, to fakt, że nie zatrzymuje się na przewidywaniu — uczy się na podstawie sukcesów i porażek laboratoryjnych. Wybrane projekty białek są syntetyzowane i testowane pod kątem ekspresji, aktywności oraz zachowania w warunkach stresowych. Wyniki te są następnie przekazywane z powrotem do AI przy użyciu strategii zaadaptowanej z uczenia ze wzmocnieniem, co pozwala systemowi stopniowo faworyzować wzorce sekwencji, które dobrze sprawdzają się w rzeczywistości, a nie tylko na papierze. W kolejnych rundach AI staje się coraz lepsze w proponowaniu kandydatów, którzy przetrwają ten rzeczywisty test

Figure 2. W jaki sposób AI filtruje i udoskonala wiele projektów białek do kilku silnych, termoodpornych enzymów.

Budowanie mocniejszych, odporniejszych na ciepło i o podwójnej funkcji enzymów

Aby pokazać możliwości ORI, autorzy zastosowali go do kilku wyzwań projektowania enzymów. Dla lizozymów, które rozkładają ściany komórkowe bakterii, system wygenerował wiele wariantów i po nauczeniu się na podstawie informacji zwrotnej z eksperymentów uzyskał wersje o znacznie wyższej aktywności niż naturalne lizozymy, w tym jedną około sto razy aktywniejszą od standardowego odniesienia. ORI wykorzystano także do projektowania chitynaz — enzymów trawiących chitynę występującą w pancerzykach owadów i grzybów. Kierując model w stronę cech odpornych na ciepło, zespół stworzył chitynazy zachowujące aktywność w temperaturach około 85 stopni Celsjusza, znacznie powyżej tolerancji większości naturalnych wersji. Wreszcie system zaprojektował pojedyncze białka łączące aktywności lizozymu i chitynazy; niektóre z tych enzymów o podwójnej funkcji przewyższały swoje wyspecjalizowane, naturalne odpowiedniki w obu zadaniach.

Nowy sposób eksplorowania możliwości białek

Dla osób niebędących specjalistami kluczowa idea jest taka: ORI przekształca projektowanie białek w ciągłą rozmowę między modelami komputerowymi a laboratorium mokrym, zamiast pojedynczego przewidywania. System wykorzystuje ustrukturyzowaną wiedzę o typach i właściwościach białek, aby kierować swoją „wyobraźnią”, i uważnie słucha, co eksperymenty mówią o każdym nowym projekcie. Dzięki wielokrotnemu przechodzeniu przez ten proces ORI nie tylko może dorównać białkom naturalnym, lecz czasem je przewyższyć pod względem siły, odporności na ciepło czy wszechstronności. Sugeruje to przyszłość, w której dopasowane białka do zastosowań medycznych, przemysłowych i środowiskowych będą rozwijane szybciej i z większą pewnością.

Cytowanie: 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

Słowa kluczowe: inżynieria białek, projektowanie enzymów, sztuczna inteligencja, enzymy termostabilne, białka wielofunkcyjne