Новая эра в биокатализе (Biocatalysis): технология Riff-Diff переопределяет инженерную разработку ферментов
От редакционной команды Creati.ai
В знаковом событии для вычислительной биологии и искусственного интеллекта исследователи представили "Riff-Diff" — метод генеративного ИИ (Generative AI), который коренным образом меняет подход к проектированию ферментов для промышленных и медицинских применений. Статья, опубликованная на этой неделе в престижном журнале Nature, под руководством Института биохимии Технического университета Граца (TU Graz), демонстрирует переход от обнаружения ферментов к их активному созданию с нулевого уровня с атомной точностью.
Этот прорыв решает одну из самых давних проблем биотехнологии: создание стабильных, высокоэффективных биокатализаторов для специфических химических реакций без опоры на случайность естественной эволюции. Модель Riff-Diff (Rotamer Inverted Fragment Finder–Diffusion) использует мощь диффузионного машинного обучения (diffusion-based machine learning) для построения белковых каркасов вокруг специфических активных центров, фактически позволяя ученым "программировать" белки для выполнения новых химических задач.
Сдвиг парадигмы: от открытия к проектированию
Десятилетиями инженерия ферментов в основном была процессом обнаружения и модификации. Традиционно ученые, ищущие катализатор для конкретной реакции, должны были просеивать огромные базы данных существующих структур белков, надеясь найти природную молекулу, которую можно изменить для достижения нужной функции. Такой подход, часто называемый «ставить повозку перед лошадью», ограничивался тем, что уже создала природа.
Riff-Diff полностью меняет этот процесс. Вместо поиска каркаса, который мог бы подойти для активного центра, ИИ генерирует индивидуальную структуру белка вокруг желаемого каталитического центра.
«Вместо того чтобы ставить повозку перед лошадью и искать в базах данных структуру, соответствующую активному центру, мы теперь можем проектировать ферменты для химических реакций эффективно и правильно с нуля, используя одноэтапный процесс (one-shot)», — объясняет Густав Обердорфер (Gustav Oberdorfer), ведущий исследователь в TU Graz. Его проект ERC, HELIXMOLD, обеспечил фундаментальную работу для этой инновации.
Последствия этой философии проектирования «функция в первую очередь» глубоки. Она освобождает биоинженеров от конечной библиотеки природных белков и открывает дверь в потенциально бесконечное пространство дизайна, где ферменты можно адаптировать для неестественных реакций, экстремальных условий и сложных промышленных процессов.
Разбираем Riff-Diff: как это работает
Технология объединяет две сложные вычислительные стратегии: «Rotamer Inverted Fragment Finder» (RIFF) и моделирование Diffusion (Diffusion).
- Определение активного центра: процесс начинается с идентификации точного расположения аминокислот (ротамеров) и химических фрагментов, необходимых для катализирования конкретной реакции.
- Генеративный каркас: используя генеративную модель ИИ, известную как RFdiffusion, система генерирует белковый скелет, который удерживает эти каталитические элементы в точной геометрической конфигурации, необходимой для протекания реакции.
- Атомистическая доработка: модель уточняет структуру шаг за шагом, гарантируя размещение химически активных элементов с точностью до ангстрема (Angstrom-level precision) (0,1 нанометра).
Этот метод позволяет создавать сложные геометрии, которые ранее было невозможно спроектировать с помощью правил-основы или более старых вычислительных методов.
Сравнительный анализ: Традиционный подход vs. Riff-Diff
| Methodology | Традиционная инженерия белков | Генерация Riff-Diff (ИИ) |
|---|---|---|
| Исходная точка | Существующие природные базы данных белков | Желаемая химическая реакция (активный центр) |
| Поток процесса | Поиск -> Скрининг -> Мутация -> Оптимизация | Определить функцию -> Сгенерировать структуру -> Проверить |
| Ограничение дизайна | Ограничено эволюционной историей | Ограничено только физикой и химией |
| Скорость | Месяцы — годы итеративного тестирования | Одноэтапная генерация (Days to Weeks) |
| Тепловая стабильность | Часто низкая; требует стабилизации | Высокая (функционирование при температуре свыше 90°C) |
| Коэффициент успеха | Низкий процент попаданий при первоначальном скрининге | Высокая активность в первоначальных конструкциях |
Беспрецедентная эффективность и стабильность
Одним из самых впечатляющих аспектов исследования является «одноэтапный» коэффициент успеха. В области проектирования белков обычно приходится тестировать тысячи кандидатов, чтобы найти одну слабоактивную молекулу. Однако команда TU Graz сообщила, что из 35 последовательностей, протестированных в лаборатории, активные ферменты были получены для нескольких различных типов реакций.
Более того, эти ферменты, созданные с нуля (de novo), не были хрупкими прототипами. Они проявили удивительную прочность, что является критическим фактором для промышленного внедрения.
«Ферменты, которые теперь можно производить, являются высокоэффективными биокатализаторами, которые также могут использоваться в промышленных условиях благодаря своей стабильности», — отмечает ведущий автор Маркус Браун (Markus Braun). «Это резко снижает усилия по скринингу и оптимизации, которые требовались ранее».
Исследование подтвердило, что почти все спроектированные ферменты сохраняют свою функциональную форму при температурах, превышающих 90 градусов Цельсия. Такой уровень тепловой стабильности редко встречается у природных ферментов без обширной инженерной доработки, что делает белки, сгенерированные Riff-Diff, сразу применимыми в суровых условиях промышленного производства, где часто требуется высокий нагрев для ускорения реакций.
Промышленные и экологические последствия
Способность быстро генерировать индивидуальные ферменты имеет далеко идущие последствия для множества секторов. В Creati.ai мы выделяем три основных направления, где Riff-Diff может изменить текущие рабочие процессы:
1. Устойчивое производство (зеленая химия, Green Chemistry)
Химический синтез часто опирается на токсичные металлические катализаторы и энергетически затратные процессы. Ферменты предлагают более чистую альтернативу, работая в воде и при более низких температурах. Riff-Diff позволяет создавать ферменты, способные синтезировать сложные фармацевтические или промышленные химические вещества более устойчивым способом. Проектируя катализаторы, совместимые с конкретными промышленными рабочими процессами, компании могут сократить отходы и потребление энергии.
2. Восстановление окружающей среды
Природа еще не эволюционировала до способности эффективно разрушать многие современные загрязнители, такие как некоторые пластики или «бессрочные химикаты» (PFAS). Riff-Diff дает ученым возможность проектировать ферменты, специально нацеленные на разложение этих синтетических связей, предлагая биологическое решение контролю загрязнений.
3. Таргетная терапия
В медицине ферменты используются как лечение генетических заболеваний и как инструменты для синтеза лекарственных соединений. Точность Riff-Diff может привести к появлению нового класса терапевтических ферментов с минимизированными побочными эффектами и повышенной стабильностью в организме человека.
«Хотя сама природа производит большое количество ферментов через эволюцию, это занимает время», — говорит Эдриан Трипп (Adrian Tripp), один из ведущих авторов исследования. «С нашим подходом мы можем существенно ускорить этот процесс и тем самым способствовать более устойчивым промышленным процессам».
Роль междисциплинарного сотрудничества
Успех Riff-Diff подчеркивает необходимость слияния дисциплин. Проект был результатом совместной работы Института биохимии TU Graz и Института химии Университета Граца.
Мелани Холл (Mélanie Hall), сотрудница из Университета Граца, подчеркнула, что интеграция науки о белках, биотехнологии и органической химии была ключевой. По мере усложнения моделей ИИ вклад экспертов доменной области — химиков, понимающих тонкости механизмов реакций, и биологов, понимающих сворачивание белков — остается незаменимым. ИИ не заменяет ученого; напротив, он усиливает их способность манипулировать веществом на молекулярном уровне.
Перспективы на будущее
Публикация этого исследования в Nature сигнализирует о том, что генеративная биология (generative biology) вышла за рамки фазы «доказательства концепции» и перешла в сферу практической полезности. Инструменты вроде AlphaFold решили задачу предсказания структуры белка (определение формы по последовательности), а Riff-Diff решает обратную задачу сворачивания (inverse folding problem) с акцентом на химическую активность.
Для сообщества ИИ это представляет собой успешное внедрение диффузионных моделей (diffusion models) — той же архитектуры, что лежит в основе генераторов изображений, таких как Midjourney или Stable Diffusion. Вместо удаления шума с пикселей для создания изображения Riff-Diff удаляет шум с 3D-координат для создания функциональной молекулы.
По мере роста баз данных активных центров и увеличения вычислительных мощностей мы ожидаем интеграции Riff-Diff и подобных моделей в облачные лаборатории. В ближайшем будущем химик может просто загрузить диаграмму реакции на сервер и получить последовательность ДНК для фермента, катализирующего ее, в течение нескольких часов.
Creati.ai будет продолжать отслеживать коммерциализацию этой технологии, особенно по мере того, как она начинает влиять на фармацевтический и сектор чистой энергии. Эра цифровой биологии больше не приближается; с такими инструментами, как Riff-Diff, она уже наступила.
