Clear Sky Science · ru

Функциональный дизайн белков и улучшение с помощью итеративного усиления онтологии

2026-03-19 · Назад к списку

Обучение компьютеров создавать лучшие белки

Белки выполняют почти всю работу внутри живых клеток — от расщепления пищи до борьбы с инфекциями. Учёные стремятся создавать новые белки по запросу, например более прочные промышленные ферменты или улучшенные медицинские инструменты, но превратить компьютерные идеи в реальные рабочие молекулы по‑прежнему сложно. В этом исследовании представлена новая система ORI, которая напрямую связывает искусственный интеллект с лабораторными экспериментами с целью сделать дизайн белков быстрее, надёжнее и проще в управлении.

Почему проектирование белков такое сложное

Каждый белок построен из длинной цепочки аминокислот, и крошечные изменения в этой цепочке могут кардинально изменить, как молекула сворачивается и ведёт себя. Современный ИИ может предсказывать структуры белков и даже генерировать новые последовательности, но существует упрямый разрыв между тем, что выглядит хорошо в компьютере, и тем, что действительно работает в пробирке. Многие разработки терпят неудачу, потому что они нестабильны, неправильно сворачиваются или лишены нужной активности, из‑за чего исследователям приходится полагаться на медленные методы проб и ошибок.

Замкнутая петля между компьютером и лабораторией

Рамочная структура ORI решает эту проблему созданием петли обратной связи между моделями ИИ и реальными экспериментами

Figure 1. Как ИИ, руководимый лабораторными испытаниями, проектирует белки, лучше соответствующие реальным потребностям.

. В ней три основных компонента. Во‑первых, «агент проектирования белков» воспринимает запрос учёного на понятном языке — например, нужен фермент, работающий при высокой температуре — и переводит его в структурированный чеклист свойств. Во‑вторых, крупная модель генерации белковых последовательностей использует этот чеклист, чтобы создать множество новых последовательностей, вероятно соответствующих требованиям. В‑третьих, объединённая модель оценки последовательностей быстро ранжирует кандидатов по таким качествам, как стабильность, растворимость и наличие важных функциональных мотивов, отфильтровывая слабые варианты до того, как они попадут в лабораторию.

Обучение на экспериментальной обратной связи

Особенность ORI в том, что она не останавливается на предсказаниях — она учится на успехах и неудачах лаборатории. Отобранные конструкции белков синтезируют и тестируют на степень экспрессии, активность и поведение при стрессовых условиях. Эти результаты возвращаются в ИИ с использованием стратегии, заимствованной из обучения с подкреплением, что позволяет системе постепенно отдавать предпочтение последовательностям, которые хорошо работают в реальности, а не только на бумаге. В ходе нескольких раундов ИИ становится лучше в предложении кандидатов, способных пройти этот реальный отбор

Figure 2. Как ИИ отбирает и уточняет множество вариантов белков, превращая их в несколько мощных, термостойких ферментов.

Создание более прочных, термоустойчивых и двойных по функции ферментов

Чтобы продемонстрировать возможности ORI, авторы применили её к нескольким задачам проектирования ферментов. Для лизоцимов, разрушающих клеточные стенки бактерий, система сгенерировала множество вариантов и, обучившись на экспериментальной обратной связи, получила версии с значительно большей активностью по сравнению с природными лизоцимами, включая одну приблизительно в сто раз активнее стандартного эталона. ORI также использовали для проектирования хитиназ — ферментов, расщепляющих хитин из оболочек насекомых и грибов. Сдвигая модель в сторону термостойких признаков, команда создала хитиназы, сохранявшие активность при температурах около 85 °C, что далеко превосходит устойчивость большинства природных аналогов. Наконец, система сконструировала единичные белки, объединяющие активности лизоцима и хитиназы; некоторые из этих многофункциональных ферментов превзошли специализированные природные аналоги в обеих задачах.

Новый способ исследования возможностей белков

Для неспециалистов ключевая идея в том, что ORI превращает проектирование белков в непрерывный диалог между компьютерными моделями и мокрой лабораторией, а не в единичное предсказание. Система использует структурированные знания о типах белков и их свойствах для направления «воображения», и внимательно слушает, что эксперименты говорят о каждой новой конструкции. Проходя этот цикл многократно, ORI может не только соответствовать природным белкам, но иногда и превосходить их по прочности, термостойкости или универсальности. Это указывает на будущее, в котором специализированные белки для медицины, промышленности и экологических задач будут разрабатываться эффективнее и с большей уверенностью.

Цитирование: 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

Ключевые слова: инженерия белков, проектирование ферментов, искусственный интеллект, термостабильные ферменты, многофункциональные белки