ИИ-платформа улучшает ферменты в 90 раз без участия человека

Проблема инженерии ферментов: традиционный подход

Ферменты — это белки, которые ускоряют химические реакции в живых организмах. Они используются повсюду: в пищевой промышленности (сыр, пиво), в фармацевтике (производство антибиотиков), в борьбе с загрязнением (разложение пластика) и во многих других областях. Однако естественные ферменты часто не оптимизированы для условий, необходимых промышленности.

Традиционно инженеры ферментов работают следующим образом: учёный предлагает гипотезу о том, какие мутации в ДНК фермента могли бы улучшить его свойства. Затем проводятся эксперименты для тестирования этой гипотезы. Если результат хороший, учёный может предложить следующую гипотезу. Этот процесс может занять месяцы или даже годы, и требует опытного учёного, способного интуитивно понять, какие изменения могут быть полезны.

Инженерия ферментов традиционно требует глубокого знания структуры белков, понимания кинетики, опыта работы с микробиологией и способности делать рискованные творческие предположения. Все эти качества рассеяны между несколькими экспертами в мире.

Новый подход: Автономная платформа ИИ

Исследователи разработали платформу, которая полностью автоматизирует и оптимизирует процесс инженерии ферментов. Платформа состоит из нескольких компонентов:

Машинное обучение: Предсказание функций

Ключевой инновацией является использование глубокого обучения для предсказания того, как различные мутации повлияют на свойства фермента. Модели были обучены на огромных наборах данных о белках: последовательности ДНК, трёхмерные структуры, функциональные свойства и результаты экспериментов.

Эти модели способны предсказать не только, будет ли фермент работать быстрее, но и другие важные свойства: при какой температуре он будет наиболее активен, при какой кислотности (pH) он работает лучше всего, и как он будет взаимодействовать с различными химическими субстратами.

Большие языковые модели (LLMs): Доступ к знаниям

Одна из инноваций — это использование LLM (подобных GPT) для интеграции знаний из научной литературы. Вместо того чтобы вручную искать в тысячах статей информацию о ферментах, похожих на изучаемый, система может запросить LLM: "Какие мутации в цитохром P450 известны из литературы как улучшающие активность?" и получить синтезированный ответ на основе всех статей, которые LLM прочитала.

Это позволяет ИИ-системе получать знания не только из прямых данных экспериментов, но и из всех накопленных человеческих знаний о ферментах, содержащихся в научной литературе.

LLM действует как коллективная память всей научной дисциплины. Вместо того чтобы иметь одного эксперта, система имеет доступ к эквиваленту знаний тысяч учёных, которые когда-либо работали с ферментами.

Биофаундри: Автоматизированная лаборатория

Фундаментальная часть платформы — это автоматизированная биолаборатория, или "биофаундри". Эта лаборатория содержит роботизированные системы, которые могут:

Цикл оптимизации: Обучение и улучшение

Платформа работает в цикле: предсказание → эксперимент → анализ → новое предсказание. Каждый раз, когда проводится эксперимент, система получает новую информацию, которая используется для обновления и улучшения моделей предсказания. Это создаёт положительный цикл обучения.

Согласно исследованию, система провела более 1000 экспериментов в течение нескольких месяцев (что было бы невозможно для человека) и постоянно совершенствовалась, находя всё лучшие и лучшие варианты фермента.

Практические применения: Где это используется

Результаты этой работы имеют огромное практическое значение для множества индустрий:

Влияние на промышленность и экономику

Внедрение таких платформ может революционизировать биотехнологическую промышленность. Затраты на разработку нового фермента могут быть сокращены с миллионов долларов на годы работы до десятков тысяч долларов на недели работы. Компании, которые смогут быстро адаптировать эту технологию, получат огромное конкурентное преимущество.

Кроме того, такие платформы могут быть использованы не только для ферментов, но и для других биомолекул: антибиотиков, гормонов, вакцин. Видение — это мир, где проектирование новых биомолекул происходит не в традиционных лабораториях учёных, а в автоматизированных центрах, управляемых ИИ.

Это не конец карьеры учёного. Это трансформация карьеры. Вместо того чтобы проводить рутинные эксперименты, учёные могут сосредоточиться на вопросах, которые не может задать ИИ: почему природа выбрала именно такую структуру? Какие биологические мотивы за этим стоят?

Вызовы и этические вопросы

Несмотря на впечатляющие результаты, существуют вызовы и вопросы, которые необходимо рассмотреть. Во-первых, нужно обеспечить, что разработанные ферменты безопасны и не способны наносить вред окружающей среде. Во-вторых, необходимо оценить риски того, что такая технология может быть использована для создания опасных биологических агентов.

Исследователи подчёркивают, что система была разработана с встроенными предосторожностями и может быть настроена для работы только с "безопасными" мутациями, которые не создают опасных белков. Однако это остаётся областью активного обсуждения в научном и регуляторном сообществах.

Будущее: От ферментов к целому организму

Логическое расширение этой технологии — это применение к целым организмам. Можно ли использовать ту же платформу для проектирования бактерий, которые производят полезные соединения, или растений, которые имеют лучший урожай? Ранние исследования предполагают, что это возможно, и это откроет совершенно новую эру синтетической биологии.