AiCE: Искусственный интеллект ускоряет инженерию белков, используя структурные и эволюционные ограничения

Исследователи разработали метод AiCE (AI-informed Constraints for protein Engineering), который позволяет быстро и эффективно эволюционировать белки. Подход интегрирует структурные и эволюционные ограничения в общую модель обратного сворачивания, не требуя обучения специализированных моделей ИИ.

Исследование, опубликованное в Cell 7 июля, возглавляла профессор Гао Цайся из Института генетики и биологии развития Китайской академии наук.

Как работает AiCE

• Сначала был создан модуль AiCE_single для предсказания высокофункциональных (HF) единичных аминокислотных замен. Он повышает точность прогноза за счёт масштабного сэмплирования моделей обратного сворачивания (которые генерируют последовательности аминокислот на основе 3D-структуры белка) с учётом структурных ограничений.
• На 60 наборах данных глубокого мутационного сканирования (DMS) AiCE_single превзошёл другие методы на основе ИИ на 36–90%. Только добавление структурных ограничений повысило точность на 37%.
• Для решения проблемы негативных эпистатических взаимодействий при комбинаторных мутациях был разработан модуль AiCE_multi. Он интегрирует ограничения эволюционной связи, позволяя точно предсказывать множественные высокофункциональные мутации с минимальными вычислительными затратами.

Практические результаты

С помощью AiCE учёные успешно эволюционировали восемь белков с разными структурами и функциями, включая деаминазы, нуклеазы и обратные транскриптазы. Это позволило создать новое поколение редакторов оснований:

• enABE8e — редактор цитозиновых оснований с окном редактирования уже примерно на 50%.
• enSdd6-CBE — редактор адениновых оснований с точностью выше в 1.3 раза.
• enDdd1-DdCBE — митохондриальный редактор оснований с активностью выше в 13 раз.

AiCE предлагает простую, эффективную и широко применимую стратегию для белковой инженерии, раскрывая потенциал существующих моделей ИИ.