L’ingegneria delle proteine è stata a lungo limitata da un’aritmetica brutale: lo spazio delle possibili sequenze proteiche è astronomicamente vasto, le soluzioni funzionali sono rare e gli esperimenti di laboratorio sono costosi. Per una classe specifica di enzimi chiamata sintetasi di peptidi non ribosomiali (NRPS), questi vincoli sono ancora più severi. Queste macchine molecolari producono molti degli antibiotici, immunosoppressori e agenti antitumorali oggi utilizzati nella medicina clinica. Uno studio pubblicato su Nature Communications dimostra ora che i modelli di IA generativa possono progettare da zero domini proteici completamente nuovi per questi enzimi, e alcuni progetti superano le versioni naturali che erano stati creati per sostituire.
L’enzima che si rifiuta di essere ingegnerizzato
Le NRPS non sono enzimi ordinari. Operano come catene di montaggio biologiche, con più domini che lavorano in sequenza per costruire molecole peptidiche complesse passo dopo passo. Ogni dominio ha un compito specifico: selezionare un mattoncino, trasportare un intermedio, formare un legame chimico. Il problema è che questi domini non lavorano in isolamento. Comunicano attraverso interfacce transitorie e dipendenti dallo stato, il che significa che i contatti tra i domini cambiano a seconda della fase del ciclo catalitico in cui si trova l’enzima.
Questa qualità dinamica è precisamente ciò che rende le NRPS così difficili da ingegnerizzare. Scambiare un dominio con un altro, anche uno strutturalmente simile, spesso interrompe la delicata coordinazione tra i partner. L’attività cala o scompare del tutto. L’analisi evolutiva rafforza questo quadro: gli eventi di ricombinazione naturale nelle NRPS tendono a preservare specifici contatti interdominio piuttosto che consentire un libero scambio di domini. La funzione dell’enzima è incorporata non solo nei singoli domini, ma nelle relazioni tra di essi.
Precedenti framework di ingegneria, tra cui un approccio chiamato eXchange Unit Thiolation (XUT) che definisce siti di fusione progettati per mantenere la compatibilità strutturale, hanno permesso alcune chimere funzionali. Eppure, anche con tale guida, le giunzioni ingegnerizzate compromettono frequentemente l’attività. La difficoltà principale è che la comunicazione interdominio produttiva non può essere letta solo dai pattern di sequenza. Dipende da caratteristiche dell’interfaccia specifiche per il contesto e dalle dinamiche dell’intero assemblaggio.
Cosa ha fatto diversamente l’IA generativa
Il team di ricerca ha integrato tre modelli generativi preaddestrati: ESM3, un modello di base basato su sequenze; EvoDiff, un approccio basato sulla diffusione; e ProteinMPNN, che condiziona la progettazione sulla struttura proteica. Piuttosto che usare questi strumenti in isolamento, il team li ha abbinati a cicli iterativi di progettazione-costruzione-test-apprendimento (DBTL), usando i risultati sperimentali di ogni ciclo per guidare il successivo.
Il bersaglio era il dominio di tiolazione (T), il componente di trasporto del modulo NRPS che fa da spola tra gli intermedi chimici e i partner catalitici. I domini T sono piccoli ma occupano una posizione critica: devono interagire in modo produttivo sia con i domini a monte che con quelli a monte e a valle attraverso molteplici stati catalitici. Progettarne uno che funzioni in un contesto non nativo è, secondo la valutazione del settore, un problema impegnativo.
Il team ha generato 76 sequenze de novo di domini T e le ha testate su 578 varianti ricombinanti di NRPS in cellule viventi, spaziando da costrutti minimi, catene di montaggio a lunghezza intera e architetture ibride. I risultati sono stati notevoli. I domini T progettati dall’IA hanno supportato la biosintesi dei peptidi in tutte le architetture testate. I progetti con le migliori prestazioni hanno aumentato le rese di prodotto fino a circa tre volte rispetto alle NRPS con il dominio T nativo.
Un progetto rappresentativo è stato caratterizzato in dettaglio biochimico. Ha mostrato una migliore espressione solubile, un migliore comportamento di rionpiegamento e una temperatura di fusione superiore di 12 gradi Celsius rispetto al dominio nativo, indicando una stabilità termica sostanzialmente maggiore. Le simulazioni di dinamica molecolare di questo progetto hanno rivelato che il suo ripiegamento globale è stato preservato, ma le sue reti di contatto interdominio sono state rimodellate in modo dipendente dallo stato. In altre parole, il dominio progettato dall’IA non ha semplicemente imitato quello naturale. Ha trovato una soluzione diversa che soddisfaceva comunque i requisiti funzionali dell’ambiente di interfaccia.
Il team ha anche scoperto che la compatibilità funzionale dipendeva fortemente dal contesto, ed era particolarmente sensibile all’identità del dominio partner a valle. Questa non è una limitazione dell’approccio quanto piuttosto una conferma di ciò che rende le NRPS difficili: il dominio T non opera nel vuoto, e i progetti che funzionano in un contesto architetturale potrebbero non trasferirsi direttamente a un altro.
Perché questo è importante al di fuori del laboratorio
Il significato di questo lavoro si estende in due direzioni. La prima è pratica. Le NRPS producono composti che sono difficili o impossibili da sintetizzare con la chimica convenzionale. Ingegnerizzarle per produrre nuove varianti, o per produrre composti noti in modo più efficiente, è stato un obiettivo di lunga data nella biotecnologia e nella scoperta di farmaci. Dimostrare che l’IA generativa può progettare domini di trasporto funzionali che superano le sequenze naturali è un passo significativo verso quell’obiettivo.
La seconda direzione è concettuale. Questo studio affronta una questione che è rimasta aperta nel settore: se la progettazione proteica generativa possa gestire sistemi altamente dinamici e multidominio in cui la funzione dipende da cambiamenti conformazionali coordinati piuttosto che da caratteristiche strutturali statiche. La risposta, almeno per questa classe di enzimi, sembra essere sì, a condizione che il processo di progettazione sia abbinato a un feedback sperimentale sistematico e guidato da una comprensione dei vincoli di interfaccia coinvolti.
L’IA qui non sostituisce il giudizio del biochimico su ciò che conta in un enzima. Aumenta la capacità del team di esplorare lo spazio delle sequenze a una scala e a una velocità che sarebbero impraticabili solo attraverso i metodi convenzionali.
In breve
I ricercatori hanno usato tre modelli di IA generativa, combinati con test sperimentali iterativi, per progettare 76 nuovi domini di tiolazione per le sintetasi di peptidi non ribosomiali. Su 578 varianti testate, i domini progettati dall’IA hanno supportato la biosintesi in molteplici architetture, e i migliori progetti hanno aumentato le rese di prodotto fino a circa tre volte rispetto alla sequenza nativa. Un progetto ha mostrato un miglioramento di 12 gradi Celsius nella stabilità termica. Lo studio stabilisce che la progettazione generativa può navigare tra i vincoli di interfaccia dinamici e dipendenti dal contesto che storicamente hanno reso l’ingegneria delle NRPS così difficile, aprendo una via più sistematica per la riprogrammazione di queste macchine biosintetiche clinicamente importanti.
Basato su un articolo di Nature: Machine Learning.