Нурлан Каримов 
Энзимы, или ферменты, играют ключевую роль во множестве процессов: от переваривания пищи и производства лекарств до очистки окружающей среды от токсинов. Ученые десятилетиями стремились создавать более эффективные и быстрые ферменты, однако этот процесс традиционно был трудоемким и медленным. Ситуация кардинально меняется благодаря новому открытию.
Исследователи из Стэнфордского университета разработали революционный метод ускоренного создания ферментов. Их подход объединяет машинное обучение, компьютерное моделирование и так называемые «бесклеточные системы». Это позволяет виртуально тестировать тысячи вариантов ферментов, отбирая наиболее перспективные для последующего синтеза в лаборатории.
Майкл Джуэтт, профессор биоинженерии и ведущий автор исследования, сообщает, что их команда разработала вычислительный процесс, позволяющий конструировать ферменты значительно быстрее благодаря отказу от использования живых клеток. По его словам, теперь машинное обучение предсказывает высокоактивные дизайнерские ферменты, созданные на основе смоделированных на компьютере мутировавших последовательностей ДНК, а не вручную в лаборатории. Джуэтт подчеркивает, что это сокращает время экспериментов с недель и месяцев до нескольких дней.
Новый метод, детали которого опубликованы в престижном научном журнале Nature Communications, способен коренным образом изменить энзимологию. Отказ от живых клеток в пользу компьютерных технологий позволил команде ускорить процесс, ранее занимавший месяцы, до считанных дней.
В основе ферментов лежат белки, состоящие из цепочек аминокислот. Используя модели машинного обучения, исследователи научились на компьютере определять последовательность этих аминокислот, чтобы конструировать белковые ферменты, способные производить фармацевтические препараты. Примером такого инженерного подхода является фермент McbA.
Традиционный подход к созданию ферментов начинался с природных образцов. Ученые многократно модифицировали их ДНК в попытках улучшить свойства. Этот процесс включал заказ новых ДНК, их внедрение в клетки, выращивание этих клеток для производства ферментов, а затем трудоемкое выделение и очистку каждого фермента перед тестированием. Такая работа могла занимать месяцы и далеко не всегда приводила к успеху.
Теперь ситуация изменилась. Команда Джуэтта полностью отказалась от использования клеток, применяя «бесклеточные системы». Эти системы представляют собой специальные смеси, способные считывать ДНК и синтезировать белки без участия целого живого организма, что делает процесс более быстрым и контролируемым.
С помощью такой установки ученые тестируют тысячи вариантов ферментов в различных химических реакциях. В данном исследовании основное внимание было уделено группе ферментов, известных как амидсинтетазы. Эти ферменты катализируют образование амидных связей, которые являются ключевыми компонентами многих лекарственных препаратов и пищевых молекул.
Проанализировав 1217 различных версий этих ферментов в 10953 реакциях, команда собрала обширный массив данных. Это позволило значительно улучшить способность моделей машинного обучения предсказывать, какие конструкции ферментов будут наиболее эффективными.
Модели использовали метод, называемый «дополненной гребневой регрессией», для прогнозирования того, какие изменения в ДНК приведут к улучшению активности ферментов. Затем были созданы ферменты, предназначенные для синтеза девяти низкомолекулярных лекарственных препаратов. Результаты оказались впечатляющими: в некоторых случаях новые ферменты работали в 42 раза эффективнее исходных.
Область, в которой работают Джуэтт и его коллеги, называется «направленной эволюцией». Этот подход имитирует природную эволюцию, но протекает значительно быстрее. Вместо того чтобы ждать случайных мутаций на протяжении миллионов лет, ученые целенаправленно вносят изменения в ДНК в лаборатории, стремясь улучшить свойства получаемых белков.
Джуэтт объясняет, что «направленная эволюция» — это область науки с многолетней историей, в рамках которой были разработаны методы изменения аминокислот для модификации функций белка. Их команда, по его словам, лишь ускоряет этот процесс, используя возможности машинного обучения и компьютерных технологий.
Ферменты, будучи белками, состоят из цепочек аминокислот, которые сворачиваются в уникальные пространственные структуры, определяющие их функциональность. Последовательность аминокислот закодирована в ДНК. Изменение ДНК может изменить поведение фермента, однако предсказать, какие именно изменения окажутся полезными, крайне сложно. Именно здесь на помощь приходит машинное обучение.
Вместо того чтобы тестировать единичные изменения последовательно, компьютерные системы способны моделировать множество модификаций одновременно и прогнозировать их последствия. Это позволяет ученым избежать значительной части трудоемкой работы методом проб и ошибок. Джуэтт поясняет, что теперь нет необходимости проводить десятки тысяч химических реакций для постепенного улучшения активности фермента; модели машинного обучения могут предсказать высокоактивные варианты, которые окажутся столь же эффективными.
Несмотря на значительные успехи, существующая система не идеальна. Одной из главных проблем является нехватка данных. Эффективность машинного обучения напрямую зависит от огромных объемов информации, необходимых для тренировки моделей, однако в исследованиях ферментов такие данные зачастую труднодоступны.
Джуэтт указывает, что в области «направленной эволюции» и биокатализа получение больших объемов данных о химических реакциях не является распространенной практикой, и такие данные редко публикуются в научной литературе. По его словам, сам процесс генерации данных слишком медленный.
В рамках текущего исследования команде удалось протестировать около 3000 мутантных форм ферментов примерно в 10 000 химических реакциях. Однако даже этого объема недостаточно. Джуэтт отмечает, что многие исследования сообщают данные лишь о нескольких, возможно, десяти изменениях ферментов. Для полного раскрытия потенциала метода исследователям необходимы данные о десятках тысяч вариантов.
Джуэтт поясняет, что при желании протестировать десятки тысяч вариантов мутированного фермента, существующие научные публикации, скорее всего, предоставят данные лишь по десяти вариантам, а не по сотням, тысячам или десяткам тысяч реакций. Таким образом, признает он, в области сбора данных предстоит еще большой путь, но выражает уверенность, что цель будет достигнута, и текущая работа – это важный первый шаг.
Несмотря на проблему с данными, разработанная платформа открывает большие перспективы. В качестве примера, команда использовала свой метод для производства низкомолекулярного лекарства с выходом 90%, что значительно превышает прежний показатель в 10%. Более того, они продемонстрировали, что аналогичный подход применим для создания еще восьми других лекарственных препаратов с использованием специально разработанных ферментов.
Это лишь начало. Джуэтт видит множество будущих применений технологии. Одна из целей — создание ферментов, способных расщеплять токсины в окружающей среде. Другие могут помочь в усвоении богатой белком пищи. Некоторые ферменты способны заменить химические процессы, требующие высокого давления, дорогостоящих компонентов или токсичных веществ, делая производство безопаснее и дешевле.
Джуэтт заявляет, что открываются многочисленные возможности в сфере устойчивого развития и биоэкономики. По его мнению, можно рассматривать создание классов молекул, которые будут разлагать токсины, улучшать усвоение белковой пищи или заменять существующие промышленные процессы, требующие высоких давлений, дорогостоящих материалов или токсичных реагентов, на более быстрые, безопасные и экономичные.
В настоящее время группа Джуэтта ищет партнеров в фармацевтической промышленности для дальнейшего тестирования платформы. Они также планируют расширить систему для работы с большим количеством типов химических реакций, помимо образования амидных связей.
Данное исследование знаменует важный шаг вперед в методах создания ферментов. Благодаря ускоренному тестированию и более точным прогнозам, ученые могут ставить перед собой более амбициозные задачи. Ферменты, способные бороться с болезнями, очищать планету и повышать эффективность производства, становятся все более достижимыми.
Объединив машинное обучение с «бесклеточными системами», ученые проложили новый путь в белковой инженерии — более быстрый, гибкий и готовый к масштабированию.
Дальнейшее развитие этой области потребует большего объема данных, увеличения вычислительных мощностей и расширения сотрудничества. Однако потенциал огромен, и все начинается с понимания того, что ферменты — крошечные молекулы в наших телах и в природе — могут содержать ключ к решению некоторых из самых серьезных глобальных проблем.
