Ускоренное открытие высокоактивных наногибридов ферментов с параллелизированной байесовской оптимизацией в гибридном пространстве

Умные фабрики для крошечных природных рабочих

Ферменты — это микроскопические машины природы, тихо приводящие в действие всё: от того, как растения улавливают солнечный свет, до того, как наши тела переваривают пищу. Отрасли промышленности стремятся использовать эти биологические инструменты для более чистого и эффективного производства топлива, лекарств и материалов. Но ферменты хрупки: вне своей природной среды они часто сворачиваются и теряют активность. В этом исследовании показано, как подход, управляемый искусственным интеллектом (ИИ), может быстро проектировать защитные «нано-костюмы», которые сохраняют ферменты активными и многократно используемыми в жестких промышленных условиях, что потенциально сокращает затраты и ускоряет более экологичное производство.

Почему ферментам нужна защитная «обитель»

В свободном состоянии ферменты плавают в воде и постоянно изменяют форму, чтобы катализировать химические реакции с поразительной скоростью и точностью. Однако в производстве высокие температуры, агрессивные растворители и многократное использование могут повредить их хрупкую структуру. Распространённое решение — захватывать ферменты внутри или на поверхности твердых частиц, чтобы их можно было восстанавливать и повторно использовать. К сожалению, это часто ведёт к компромиссу: фермент становится более стабильным, но его активность падает, потому что окружающий материал блокирует доступ молекул к активным сайтам, или же жесткие условия роста повреждают фермент во время инкапсуляции. Поэтому создание «правильного» жилища для каждого фермента стало медленным искусством проб и ошибок.

Исследование огромного пространства вариантов с помощью ИИ

Команда подошла к этой задаче, используя крошечные пористые или аморфные материалы, называемые металло-органическими каркасами (MOF), в качестве носителей ферментов. Они собираются из ионов металлов (в данном случае солей цинка) и органических «звеньев», которые сцепляются как модульные строительные блоки. Комбинируя 7 различных солей цинка, 17 разных звеньев и непрерывно настраиваемые концентрации и времена реакции, исследователи столкнулись с пространством дизайна более чем из десяти миллионов возможных экспериментов — слишком большим, чтобы проверять вручную. Вместо попытки перебрать всё методом «грубой силы» они создали рабочий процесс на основе ИИ, сосредоточенный на новом алгоритме, называемом параллелизированной байесовской оптимизацией в гибридном пространстве (PHBO), который может одновременно учитывать и дискретные «либо–или» выборы (какой металл и звено), и непрерывные настройки (сколько, как долго), предлагая при этом сразу несколько перспективных рецептов.

Как алгоритм учится и совершенствуется

PHBO работает, создавая статистическую модель, связывающую рецепты с единым показателем эффективности, называемым «восстановлением активности», который учитывает и то, сколько фермента оказалось в носителе, и насколько хорошо он функционирует после этого. Начиная с небольшой начальной серии экспериментов, алгоритм предсказывает, где в пространстве дизайна вероятнее всего найти высокоэффективные материалы, и предлагает небольшие партии новых экспериментов параллельно. Важно, что он рассматривает выбор металла и звена как распределения вероятностей, а не как фиксированные варианты, что позволяет использовать методы на основе градиента — инструменты, обычно применяемые для гладких непрерывных задач — чтобы эффективнее продвигаться к лучшим решениям. Стратегия «nearby liar» помогает ему разнообразить каждую партию предлагаемых экспериментов, предотвращая повторное тестирование почти идентичных условий роботом-химиком.

Индивидуальные нано-костюмы для разных ферментов

На примере глюкозооксидазы (GOx), фермента, важного для биосенсоров и пищевой промышленности, исследователи показали, что PHBO может превзойти и подход на основе проб и ошибок под руководством человека, и предыдущий байесовский метод. Всего за несколько десятков экспериментов алгоритм выявил комбинации цинка и звеньев, которые восстанавливали и даже превышали активность свободного фермента, сохраняя при этом преимущества иммобилизации. Микроскопические и структурные измерения показали, что лучшими носителями оказались не традиционные жесткие сильно пористые кристаллы, а более мелкие, аморфные цинк-органические наногибриды. Они формировали рыхлые, богатые ферментом твердые области с минимальной внутренней пористой структурой, что облегчало доступ субстратов к ферментам, одновременно защищая их трехмерную форму.

Обучение на одном ферменте, чтобы помочь другому

Команда пошла дальше и проверила, можно ли использовать знания алгоритма, полученные для одного фермента, чтобы ускорить оптимизацию для других. Они применили данные и структуру модели от GOx, чтобы «подготовить» поиски для двух очень разных ферментов: каталазы, разрушает перекись водорода, и липазы Candida antarctica B, широко используемой при производстве тонких химикатов. С помощью этого переноса обучения первые предложенные условия для каждого нового фермента уже давали высокие показатели, а последующие раунды быстро выявляли носители, достигающие почти полного восстановления активности. Любопытно, что оптимальные рецепты носителей различались для каждого фермента, что подчёркивает отсутствие универсального решения и важность гибкого, основанного на данных инструмента проектирования.

Что это означает для более «зеленой» химии

Для неспециалиста основной вывод таков: авторы создали своего рода «умного исследователя» для материалов ферментов. Вместо того чтобы тратить месяцы или годы на проверку тысяч рецептов, ученые могут с помощью этого подхода под руководством ИИ сузить поиск до нескольких очень активных сочетаний фермент–наноноситель, даже в обширном поле вариантов. Исследование показывает, что при слабом ограничении ферментов в тщательно настроенных наноструктурах можно сохранять их стабильность без ценой потери активности и быстро адаптировать стратегию к новым ферментам и приложениям. В практическом плане это может ускорить развитие более чистых и эффективных промышленных процессов — от фармацевтики до биодеградируемых пластиков — делая проще применение ферментов в качестве надёжных высокопроизводительных катализаторов.

Цитирование: 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

Ключевые слова: иммобилизация ферментов, байесовская оптимизация, металло-органические каркасы, биокатализ, машинное обучение в химии