CATNIP для химиков: новый инструмент на базе ИИ упрощает доступ к «зеленой» химии

Использование модели машинного обучения для поиска реакций, ориентированных на субстрат. Автор: Александра Пейтон и др.

Исследователи из Мичиганского университета и Университета Карнеги-Меллон разработали новый инструмент, который делает «зеленую» химию более доступной. Инструмент, описанный в исследовании, опубликованном в журнале Nature, устраняет основное препятствие для более широкого внедрения биокатализа.

Биокатализаторы, также называемые ферментами, — это тип белков, которые эволюционировали для выполнения сложных и невероятно эффективных химических реакций — обычно в воде и при комнатной температуре, — что устраняет необходимость в токсичных или дорогих химических реагентах. Но они также высокоселективны, то есть специализируются на работе с конкретными исходными соединениями (субстратами), с которыми они взаимодействуют в своей естественной среде.

Однако, чтобы использовать силу биокатализаторов в лаборатории, химикам необходимо знать, с какими другими субстратами может работать белок, и, более точно, какие ферменты будут работать с их желаемым субстратом.

«Биокатализ предлагает более устойчивый способ создания молекул, а также может дать нам доступ к молекулам, которые мы не могли бы создать с помощью традиционных химических методов, — сказала Элисон Нараян, профессор химии в Мичиганском университете и научный сотрудник Института наук о жизни. — Но большинство известных субстратов для этих биокатализаторов происходят из природы, что представляет собой лишь очень небольшую часть молекул, с которыми работают химики».

Команда Нараян решила преодолеть давний разрыв между исходными соединениями, с которыми работают химики, и ферментами, которые потенциально могут вступать в реакцию с этими соединениями. Проект начался с попытки сопоставить белки с субстратами в большом масштабе. Сосредоточившись на одном семействе ферментов, Александра Пейтон разработала высокопроизводительную реакционную платформу, которая позволила команде протестировать более 100 субстратов для каждого белка во всем семействе белков.

«Мы обнаружили сотни новых связей между химическим пространством и пространством белков и создали этот разнообразный набор данных, — сказала Пейтон, бывший постдокторант в лаборатории Нараян и первый автор исследования. — Именно тогда мы начали шире думать о том, что мы можем построить со всеми этими данными».

Команда Нараян вместе с Габриэлем Гомесом, доцентом химического машиностроения и химии в Университете Карнеги-Меллон, и Даниилом Бойко, тогда аспирантом в лаборатории Гомеса, использовала этот набор данных для создания системы рекомендаций ферментов. Лаборатория Гомеса применила свой опыт в машинном обучении для оптимизации прогнозной модели, которая может ориентироваться между ландшафтом белков и химическим ландшафтом.

В результате появилась открытая онлайн-платформа CATNIP, которая позволяет химикам ввести свое исходное соединение и получить ранжированный список биокатализаторов из этого семейства белков, которые лучше всего обеспечат химическое превращение; или, двигаясь в обратном направлении, можно начать с интересующего фермента и определить его потенциальные субстраты. Бойко описывает прогностическую способность платформы как аналогичную веб-поиску, оптимизируя результаты, чтобы гарантировать, что лучшие ответы — или наиболее перспективные кандидаты — появляются в верхней части списка в ранжированной вероятности их успеха.

«Это отличная стартовая модель для проведения синтетических кампаний с использованием биокатализаторов, — сказала Пейтон, которая сейчас является доцентом химии в Рочестерском университете. — И уже ведутся работы по расширению базы данных за пределы этого одного семейства ферментов».

Больше информации: Александра Пейтон и др., Connecting chemical and protein sequence space to predict biocatalytic reactions, Nature (2025). DOI: 10.1038/s41586-025-09519-5
Онлайн-платформа CATNIP

Источник: University of Michigan