ИИ-дизайн протеинов добрался до химической функции, которая раньше считалась территорией долгой эволюции: исследователи создали искусственные протеазы — белки, способные разрезать другие белки в заранее выбранной точке. Лучшие варианты ускоряли разрыв пептидной связи в миллиард и десять миллиардов раз, хотя без фермента такая связь может сохраняться в воде сотни лет.
Работу выполнили в основном исследователи из лаборатории нобелевского лауреата Дэвида Бейкера в Вашингтонском университете, сообщает Ars Technica. Это не обещание готового лекарства от нейродегенеративных заболеваний, а более важный для индустрии сигнал: генеративные модели учатся проектировать не только красивую трёхмерную форму белка, но и рабочий каталитический центр с измеримым эффектом.
Белки состоят из аминокислот, соединённых пептидными связями. Разорвать такую связь можно водой, но в обычных условиях реакция идёт настолько медленно, что биология использует протеазы — ферменты-катализаторы. Одни из них работают с ионом цинка, другие задействуют аминокислоту цистеин. В обоих случаях нужно с почти ювелирной точностью расположить несколько атомов и аминокислот, а затем ещё обеспечить распознавание нужной последовательности в белке-мишени.
Команда не пыталась «угадать» фермент целиком. За основу взяли каталитические механизмы двух природных протеаз: цинковой из пищеварительной системы речного рака и цистеиновой из дрожжей. Затем RFdiffusion2 строил новый белковый каркас с ограничениями: ключевые аминокислоты должны образовать активный центр, а целевая последовательность — оказаться рядом с ним. После этого ProteinMPNN подбирал аминокислотную последовательность, совместимую и с будущей структурой, и с химией реакции.
Получившиеся кандидаты проверяли также через AlphaFold3. Авторы не нашли в доступных базах белков с близкими структурами, то есть речь не сводится к подбору известных природных шаблонов. Для цистеинового варианта исследователи собрали 12 каркасов и 69 наборов аминокислот; активность показали 13 конструкций — около 19%. Для цинковых протеаз испытали 135 дизайнов.
Особенно показателен второй случай. В ранней серии, где в проектировании не учитывали положение молекулы воды, лишь 14 из 89 вариантов показали слабую каталитическую активность. Моделирование объяснило проблему прозаично: вода нередко занимала место, необходимое для реакции, и блокировала его. Когда её координаты сделали отдельным ограничением, активность обнаружилась у 35 из 38 вариантов. Для разработчиков ML-систем это почти учебный кейс: корректная физическая деталь в постановке задачи может оказаться полезнее очередного раунда масштабирования модели.
Первые конструкции всё же заметно уступали природным ферментам. Чтобы улучшить результат, авторы перебрали замены аминокислот рядом с активным центром, не затрагивая его напрямую. Лучший цистеиновый фермент ускорял расщепление пептидной связи в 109 раз и при этом сохранял высокую избирательность к целевой последовательности. Улучшенная цинковая версия стала в 30 раз активнее исходного дизайна и ускоряла реакцию в 1010 раз. Один более активный вариант оказался недостаточно специфичным — полезное напоминание, что «быстрее» для фермента не всегда означает «лучше».
В качестве прикладной демонстрации исследователи заново спроектировали цинковые протеазы для белковых целей, связанных с болезнью Альцгеймера и лобно-височной деменцией. Простая замена целевого участка в уже готовой конструкции работала плохо; дизайн пришлось запускать с нуля. В итоге один из вариантов смог разрезать заданную мишень в клетках. Это пока не терапия: белок нужно доставить в нужную ткань, избежать иммунного ответа, а для внутриклеточной цели, вероятно, потребуется доставлять в клетки ген, кодирующий протеазу.
Для IT-команд здесь ценен не только биомедицинский сюжет. ИИ-дизайн протеинов всё яснее становится инженерным циклом: генерация структуры, предсказание сворачивания, лабораторный тест, локальная оптимизация и повтор. При этом модели уверенно соблюдают геометрические ограничения, но пока слабо предсказывают саму каталитическую эффективность: структура необходима для функции, но не гарантирует её. Следующий большой вопрос — смогут ли такие системы проектировать химическую активность так же надёжно, как уже проектируют форму белка. Подробности экспериментов и ссылки на две статьи в Nature собраны в материале .