Новый алгоритм научился создавать белки с заданными свойствами

Исследователи из Гарвардской школы инженерии и прикладных наук и Северо-Западного университета разработали машинный метод для проектирования так называемых «внутренне неупорядоченных белков» с заданными свойствами. Эти белки, составляющие около 30% всех белков человеческого генома, не имеют фиксированной структуры и остаются недоступными для современных ИИ-инструментов, включая получивший Нобелевскую премию AlphaFold.

Художественное представление внутренне неупорядоченных белков. Автор: Раманна Шринивас

Новый вычислительный метод использует алгоритмы автоматического дифференцирования, которые позволяют рационально подбирать белковые последовательности с желаемыми поведением или свойствами. Технология широко применяется в глубоком обучении, но исследователи первыми адаптировали её для оптимизации молекулярно-динамического моделирования.

«Мы не хотели брать кучу данных и обучать модель машинного обучения для проектирования белков», — пояснил аспирант Райан Крюгер. — «Мы хотели использовать существующие, достаточно точные симуляции, чтобы проектировать белки на уровне этих симуляций».

Метод позволяет компьютеру распознавать, как небольшие изменения в белковых последовательностях — даже единичные замены аминокислот — влияют на конечные свойства белков. Исследователи сравнивают свой подход с мощной поисковой системой для аминокислотных последовательностей, соответствующих нужным критериям.

Разработанные белки являются «дифференцируемыми» — они основаны не на предположениях ИИ, а на молекулярно-динамическом моделировании с использованием реальной физики, учитывающей динамическое поведение белков в природе.

Исследование открывает новые возможности для понимания этих загадочных биомолекул и может привести к новым подходам в лечении заболеваний, связанных с нарушениями в неупорядоченных белках, таких как рак и нейродегенеративные заболевания.

Больше информации: Generalized design of sequence–ensemble–function relationships for intrinsically disordered proteins, Nature Computational Science (2025). DOI: 10.1038/s43588-025-00881-y.