Дизайн белков годами находился в замкнутом круге: исследователи пытались создавать функциональные молекулы, но оценивали алгоритмы по тому, насколько точно те копируют природу. Классическая вычислительная биология опирается на двухэтапный процесс — сначала генерируется целевой 3D-каркас, а затем под него подбирается аминокислотная последовательность. Однако бенчмарки систематически отбраковывали нестандартные решения, игнорируя конформационную гибкость и тот факт, что совершенно разные последовательности могут складываться в идентичные по функциям структуры.
Эми Китинг, глава биологического факультета Массачусетского технологического института (MIT) и ведущий автор исследования, опубликованного в журнале PNAS, прямо указала на эту системную ошибку:
«Годами успех в нашей области измерялся тем, способна ли модель воспроизвести белковую последовательность, которую случайно отобрала эволюция. Наша работа доказывает, что это далеко не лучшая метрика для дизайна белков».
В реальной биологии молекулы постоянно меняют пространственную форму. Привязка алгоритмов машинного обучения к слепому копированию эволюции мешает генеративным моделям открывать жизнеспособные молекулярные архитектуры, которые природа просто обошла стороной.
Учет парных взаимодействий и работа с шумом
Чтобы освободить генеративный поиск от природных шаблонов, исследователи из MIT создали архитектуру PottsMPNN. Модель напрямую учитывает физические ограничения, отвечающие за структурную стабильность и парные взаимодействия аминокислотных остатков. Ведущий автор работы Фостер Бирнбаум выяснил, почему стандартные модели теряли устойчивость при работе с конформационной пластичностью, и перестроил прогнозирование энергетического ландшафта: теперь во главу угла ставится физическая стабильность молекулы, а не ее сходство с природными аналогами.
Значение для науки и границы применения
Для биотеха и фармацевтики отказ от эволюционной зависимости означает многократное расширение пространства поиска таргетных лекарств, сокращение дорогостоящих циклов лабораторных испытаний и создание более стабильных синтетических связывающих белков. При этом для коммерческого внедрения остаются серьезные барьеры: расчеты на моделях все еще требуют обязательной экспериментальной проверки связывания в пробирке, оценки иммуногенности в живых клетках и длительного скрининга, отделяющего вычислительный концепт от готового биопрепарата.