ИИ ускоряет эволюцию белков в 10 раз: как генеративные модели меняют биотехнологии

Искусственный интеллект научился не просто предсказывать, но и активно конструировать новые белки с улучшенными свойствами, многократно ускоряя процесс их эволюции в лаборатории. Исследователи из Китайской академии наук и Гарвардской медицинской школы представили метод, который кардинально меняет подход к белковой инженерии: вместо случайных мутаций ИИ предлагает оптимальные «стартовые точки» для эволюции, что приводит к значительному повышению эффективности и сокращению времени разработки. Этот прорыв, опубликованный в журнале Nature, может революционизировать создание промышленных ферментов, терапевтических белков и биосенсоров, делая процесс в десять раз быстрее и дешевле.

ИИ-дизайн стартовых последовательностей ускоряет эволюцию белков в 10 раз

Ключевая инновация работы, опубликованной в журнале Nature, заключается в том, что авторы применили генеративную модель на основе трансформеров для создания исходных последовательностей белков, которые уже близки к желаемой функции. В традиционной направленной эволюции ученые начинают с природного белка и затем вносят случайные мутации, отбирая лучшие варианты в нескольких раундах. Новый метод, названный AI-redesigned starting points and outcomes enhance protein evolution, использует нейросеть для генерации десятков тысяч вариантов, которые затем оцениваются на активность in silico. Лучшие из них синтезируются и подвергаются всего одному-двум раундам мутагенеза, что сокращает общее время эксперимента с месяцев до недель.

В экспериментальной проверке метод был применен к трем различным ферментам: глюкозооксидазе, эстеразе и лакказе. Во всех случаях ИИ-спроектированные стартовые последовательности показали в 2–10 раз более высокую активность по сравнению с природными аналогами после минимального числа мутаций. Например, для глюкозооксидазы удалось получить вариант с каталитической эффективностью в 3,5 раза выше, чем у исходного белка, всего за один раунд эволюции. Эти результаты демонстрируют, что ИИ не просто ускоряет процесс, но и находит решения, которые недоступны при случайном поиске.

Предыстория и контекст: от случайных мутаций к целенаправленному дизайну

Направленная эволюция белков, за которую в 2018 году была присуждена Нобелевская премия по химии, традиционно опирается на случайный мутагенез и высокопроизводительный скрининг. Этот метод остается основным инструментом для создания промышленных ферментов, терапевтических белков и биосенсоров. Однако его главный недостаток — необходимость множества раундов мутаций, каждый из которых требует времени и ресурсов. Кроме того, случайные мутации часто приводят к потере функции, а не к ее улучшению.

В последние годы машинное обучение начало активно применяться для предсказания влияния мутаций на функцию белка. Например, модели на основе эволюционных данных (EVmutation) или глубинное обучение (AlphaFold) позволяют оценивать, какие изменения стабилизируют белок. Однако до сих пор ИИ использовался в основном для анализа уже существующих вариантов, а не для генерации принципиально новых последовательностей. Новый подход ломает эту парадигму, предлагая не просто предсказывать, но и создавать стартовые точки, которые максимально приближены к оптимальному решению.

Как именно ИИ генерирует стартовые последовательности?

Исследователи применили генеративную модель на основе архитектуры трансформеров, обученную на миллионах последовательностей природных белков из базы данных UniProt. Модель не просто копирует известные мотивы, а учится статистическим закономерностям, связывающим аминокислотные последовательности с функциональной активностью. Для каждого целевого белка ученые задавали желаемую функцию (например, окисление глюкозы) и получали от модели сотни тысяч вариантов последовательностей. Затем эти варианты проходили фильтрацию с помощью дополнительной модели, предсказывающей активность, и только несколько сотен лучших синтезировались в лаборатории.

Важно, что модель не требует информации о трехмерной структуре белка — она работает исключительно с последовательностями. Это делает метод универсальным и применимым к широкому кругу белков, включая те, для которых структура неизвестна. В статье авторы отмечают, что сгенерированные последовательности часто имеют всего 30–50% гомологии с природными, но при этом сохраняют или даже улучшают функцию. Такой подход позволяет исследовать гораздо более широкое пространство последовательностей, чем случайные мутации.

Технические детали и сравнение с традиционными методами

Для количественной оценки эффективности авторы сравнили ИИ-метод с традиционной направленной эволюцией на примере фермента эстеразы. В традиционном подходе потребовалось 5 раундов мутагенеза и скрининга 10 000 вариантов, чтобы получить улучшение активности в 2 раза. ИИ-метод дал улучшение в 4 раза всего за 1 раунд и 500 протестированных вариантов. Таким образом, скорость достижения результата выросла в 10 раз, а ресурсоемкость снизилась на порядок.

Кроме того, ИИ-метод продемонстрировал способность находить решения, недоступные случайному мутагенезу. Например, для лакказы — фермента, используемого в биоремедиации и текстильной промышленности, — лучший ИИ-вариант содержал 12 мутаций, одновременно повышающих активность и термостабильность. При случайном мутагенезе вероятность получения такого сочетания ничтожна, поскольку большинство мутаций снижают стабильность. Это подчеркивает, что ИИ не просто ускоряет процесс, но и открывает новые возможности для дизайна белков с множественными улучшенными свойствами.

Кого затронет и как: от лабораторий до промышленности

Разработка напрямую влияет на биотехнологические компании, разрабатывающие промышленные ферменты, и на исследовательские группы, занимающиеся белковой инженерией. Сокращение времени и стоимости экспериментов позволяет быстрее выводить на рынок новые ферменты для производства биотоплива, детергентов, фармацевтических препаратов. В России и странах СНГ, где биотехнологический сектор активно развивается, метод может ускорить создание импортозамещающих ферментов для пищевой и легкой промышленности.

Для академической науки метод открывает возможность изучать белки, которые ранее было трудно эволюционировать из-за их низкой стабильности или сложности скрининга. Авторы подчеркивают, что их подход особенно эффективен для белков, для которых известна хотя бы одна функциональная последовательность, но может быть адаптирован и для de novo дизайна. Это означает, что даже сложные задачи, такие как создание ферментов для разложения пластика, могут быть решены быстрее.

Что будет дальше: автоматизация и интеграция с роботизированными платформами

Следующим логическим шагом является интеграция ИИ-дизайна с автоматизированными платформами для синтеза и тестирования белков. Уже сейчас существуют роботизированные системы, способные синтезировать тысячи вариантов в день, и их сочетание с ИИ-генерацией стартовых точек может сделать направленную эволюцию полностью автоматической. Авторы работы планируют расширить метод на другие типы белков, включая антитела и ферменты для синтетической биологии.

Кроме того, генеративные модели могут быть обучены не только на последовательностях, но и на данных о структуре, что еще больше повысит точность предсказаний. В перспективе это может привести к созданию универсального инструмента для дизайна белков с заданными свойствами, который будет доступен любой лаборатории через облачные сервисы. Такая демократизация белковой инженерии может ускорить инновации в медицине, экологии и промышленности.

Итог

Новый метод, объединяющий генеративные нейросети и направленную эволюцию, знаменует переход от случайного поиска к целенаправленному конструированию белков. Ускорение в 10 раз и способность находить нетривиальные комбинации мутаций открывают путь к быстрому созданию ферментов для медицины, промышленности и экологии. Теперь ключевой задачей становится масштабирование подхода и его адаптация для широкого круга белковых инженеров. Этот прорыв показывает, что ИИ не просто анализирует данные, но и активно участвует в творческом процессе научного открытия.