Google DeepMind представила AlphaProtein Novo (AP Novo) — конвейер машинного обучения для дизайна ферментов de novo — в препринте, опубликованном на bioRxiv на этой неделе. Система, разработанная совместно с Caltech и Университетом Питтсбурга, создаёт ферменты с нуля, а не оптимизирует существующие белки, устраняя давнее узкое место в поиске биокатализаторов. Согласно препринту, AlphaProtein Novo впервые продемонстрировала, что вычислительно спроектированные ферменты могут превосходить поиск по природным последовательностям в сложной химии: команда протестировала более 5 600 дизайнов в пяти реакциях и сообщила о показателях успешных попаданий до 80% для лучших дизайнов, а также о каталитической эффективности на уровне передовых методов в модельных реакциях — без итеративной экспериментальной оптимизации.
AlphaProtein Novo работает на основе создания каркасов мотивов и диффузионных моделей
Конвейер использует создание каркаса для мотива: диффузионная модель совместно генерирует структуры белков и аминокислотные последовательности вокруг каталитического мотива — расположения боковых цепей и лигандов, необходимых для предполагаемого механизма реакции. Затем кандидатные дизайны фильтруются с помощью метрик, полученных из предсказаний AlphaFold 3, которые оценивают значимые для механизма атомные характеристики, например геометрию между каталитическим основанием и его субстратом.
GDM_NT_270 достигает региоселективности 99:1 при синтезе пиперидина
Исследователи спроектировали нитрен-трансферазы для синтеза пиперидинов — гетероциклов, присутствующих во многих одобренных FDA препаратах. Конкурирующая циклизация субстрата может приводить к образованию пятичленного пирролидинового или шестичленного пиперидинового кольца, при этом природные гемовые ферменты значительно предпочитают первый вариант. Скрининг 188 природных и модифицированных вариантов не выявил ни одного фермента, превысившего соотношение пиперидин : пирролидин 30:70. В отличие от них, ведущий дизайн de novo GDM_NT_270 достиг региоселективности 99:1 в пользу пиперидина при энантиомерном избытке 94% и числе оборотов 22, изменив природное предпочтение за счёт непосредственного контроля геометрии активного центра.
AP Novo создаёт семь структурных семейств для разложения DEHP
Команда сосредоточилась на ди(2-этилгексил)фталате (DEHP) — широко распространённом пластификаторе и нарушающем работу эндокринной системы загрязнителе окружающей среды, чьи объёмные боковые цепи и нерастворимость в воде делают большинство природных гидролаз неэффективными. Недавний скрининг 65 природных эстераз выявил лишь одну активную DEHP-азу; AP Novo создала семь новых структурных семейств, способных катализировать эту реакцию, при этом показатель успешных попаданий для новых каркасов достиг 11% (39% для повторно использованных каркасов). Хотя в водных условиях они пока менее активны, чем природные ферменты, эти дизайны обладают редко встречающимися в природе свойствами: один фермент, состоящий из 191 аминокислотного остатка, был в 14 раз активнее при 90 °C, чем при комнатной температуре, и сохранял функциональность в 75%-ном ацетонитриле — в условиях, полностью денатурирующих природные эстеразы. Небольшой размер и высокая экспрессия в E. coli также снижают производственные затраты.
Фильтрация ансамблей последовательностей повышает прогностическую способность до 30 раз
Главный методологический вывод работы касается фильтрации. Исследователи обнаружили, что оценка ансамблей последовательностей, сгенерированных с помощью LigandMPNN для одного и того же каркаса, — при условии, что каждая повторно сгенерированная последовательность проходит фильтры, основанные на механизме реакции, — значительно повышает прогностическую способность, увеличивая показатель успешных попаданий для сериновых эстераз до 30 раз. Сочетание этого подхода с повторной выборкой каркаса посредством частичной диффузии повысило ретроспективные показатели успешных попаданий до 60% для элиминаз Кемпа и до 80% для сериновых эстераз. Авторы утверждают, что это объясняет эффективность конвейеров итеративного редизайна: они неявно отбирают каркасы, локальные пространства последовательностей и структур которых в широком диапазоне поддерживают заданную каталитическую геометрию.
Код и веса выпущены для некоммерческого использования
Ограничения сохраняются. Каталитическая активность по-прежнему на порядки ниже, чем у природных ферментов или ферментов, оптимизированных направленной эволюцией; создание мотивов требует специализированных знаний о конкретной реакции, а модели пока не способны содержательно учитывать физику катализа. Тем не менее выпуск кода и весов для некоммерческого использования показывает, что генеративный дизайн белков становится практичным дополнением — а в отдельных случаях и альтернативой — поиску в природном биоразнообразии.
Часто задаваемые вопросы
Что Google DeepMind представила 6 октября 2026 года?
Google DeepMind представила AlphaProtein Novo (AP Novo) — конвейер машинного обучения для дизайна ферментов de novo — в препринте, опубликованном на bioRxiv на этой неделе. Система, разработанная совместно с Caltech и Университетом Питтсбурга, создаёт ферменты с нуля и протестировала более 5 600 дизайнов в пяти реакциях, достигнув показателей успешных попаданий до 80% для лучших дизайнов.
Как фермент GDM_NT_270 показывает себя в синтезе пиперидина?
Ведущий дизайн de novo GDM_NT_270 достиг региоселективности 99:1 в пользу пиперидина при энантиомерном избытке 94% и числе оборотов 22. Это изменяет природное предпочтение за счёт непосредственного контроля геометрии активного центра: скрининг 188 природных и модифицированных вариантов не выявил ни одного фермента, превысившего соотношение пиперидин : пирролидин 30:70.
Каковы ограничения AlphaProtein Novo?
Каталитическая активность по-прежнему на порядки ниже, чем у природных ферментов или ферментов, оптимизированных направленной эволюцией; создание мотивов требует специализированных знаний о конкретной реакции, а модели пока не способны содержательно учитывать физику катализа. Однако код и веса были выпущены для некоммерческого использования.