Новости химической науки > Искусственный интеллект как со-ученый: дизайн нуклеаз и анализ скринингов

ще несколько лет назад дизайн нового фермента начинался с эксперимента: мутагенез, отбор, characterization. Сегодня — с последовательности. Языковые модели, обученные на миллионах природных CRISPR-оперонов, генерируют нуклеазы, которые отличаются от известных на сотни аминокислот, но сохраняют каталитическую активность. Параллельно ИИ-агенты берут на себя то, что раньше занимало у исследователей месяцы: анализ результатов CRISPR-скринингов, приоритизацию генов-мишеней, построение проверяемых гипотез. Это не «замена ученого», а новый тип коллеги — неутомимого, многозадачного, работающего с базами данных, которые человек физически не способен удержать в голове.

В основе прорыва — языковые модели белков (protein language models). Они обучены на последовательностях аминокислот так же, как GPT — на текстах. Модель учится предсказывать следующую аминокислоту в последовательности, и в процессе «понимает» структурные и функциональные закономерности: какие остатки должны соседствовать, какие мотивы критичны для связывания РНК, где допустимы вариации. Команда Profluent Bio под руководством Джеффри Раффоло создала модель, обученную на 26 терабазах собранных геномов и метагеномов, из которых было извлечено более 1 миллиона CRISPR-оперонов, что детально описано в работе Ruffolo et al., Nature (2025).

Результат превзошёл ожидания. Модель сгенерировала в 4,8 раза больше белковых кластеров CRISPR-Cas, чем существует в природе. Некоторые из созданных редакторов демонстрировали активность и специфичность, сопоставимые с SpCas9 — «золотым стандартом» редактирования — при том что отличались от него на 400 мутаций, как сообщается в Ruffolo et al. (2025). Финальный продукт, OpenCRISPR-1, был выпущен как открытый ресурс: AI-созданный редактор, совместимый с системами碱基 редактирования и доступный для исследовательских и коммерческих применений, о чём сообщается в препринте Profluent Bio (2025).

Практическая валидация: OpenCRISPR-1 работает не только в человеческих клетках. Команда ICAR-CRRI в Индии создала на его основе Plant OpenCRISPR-1 (POC1) и продемонстрировала эффективное редактирование генов риса — нокаут,碱基 редактирование и прайм-редактирование с эффективностью, сопоставимой со SpCas9. Это первая демонстрация того, что AI-созданная нуклеаза может работать в растительных клетках, как описано в сообщении ICAR-CRRI (2026).

Генерация последовательностей — только половина задачи. Сгенерированный белок должен сворачиваться в функциональную структуру. Здесь в игру вступает inverse folding — обратная задача: дана структура, найти последовательности, которые её формируют. Команда Дженнифер Даудны в Innovative Genomics Institute использовала гибридную стратегию: структурированную inverse folding сочетали с эволюционными ограничениями, зафиксировав критические остатки в последовательности TnpB (миниатюрной нуклеазы, эволюционного предшественника Cas12), что подробно описано в работе Skopintsev et al., Science (2026).

Дизайн был разделён на две части: отдельно оптимизировали интерфейс связывания ДНК и интерфейс связывания guide RNA. Затем ~50 лучших вариантов каждого интерфейса комбинировали во всех перестановках и тестировали в E. coli. Наиболее активный синтетический вариант, SynTnpB, сохранял лишь 77% идентичности с природным TnpB, но превосходил его по эффективности редактирования. Крио-ЭМ анализ выявил новое конформационное состояние, которое ранее только предполагалось, но никогда не наблюдалось экспериментально, как показано в Skopintsev et al. (2026).

Этот подход — «сочетать сильные стороны структурных и эволюционных данных» — становится трендом в AI-дизайне белков. Как отмечает Эли Биксби из Cradle в комментарии для Nature (2026), ключевая слабость существующих моделей в том, что они «говорят, что менять, но не где». Гибридные стратегии решают именно эту проблему.

Дизайн нуклеаз — только одна сторона медали. Другая, не менее трудоёмкая задача — анализ результатов CRISPR-скринингов. Когда эксперимент выявляет сотни «хитов» — генов, нокдаун которых меняет фенотип — исследователь сталкивается с вопросом: какие из них биологически значимы, а какие — статистический шум? Ответ требует интеграции данных из десятков источников: экспрессионные профили, пути, клинические ассоциации, литература.

Система AutoScreen, разработанная командой под руководством屈元昊 из Стэнфорда, решает эту задачу с помощью мультиагентной архитектуры. Вместо одной модели — ансамбль специализированных агентов: одни проводят глубокий поиск по 26 биомедицинским базам данных, другие синтезируют доказательства, третьи проверяют гипотезы на консистентность. Результат — ранжированный список генов-кандидатов с прозрачным «провенансом»: для каждого хита указано, какие именно данные и в каком порядке привели к его приоритизации, что детально описано в препринте AutoScreen (2026).

Впечатляющая валидация: В лейкозном скрининге на устойчивость к NK-клеткам AutoScreen «поднял» гены MUC1, PDPN и LRRC15 с исходных позиций 118, 81 и 1384 на 5, 44 и 659 соответственно. Последующие эксперименты с первичными человеческими NK-клетками подтвердили все три хита, как сообщается в препринте AutoScreen (2026).

На 320 полногеномных CRISPR-скринингах, аннотированных экспертами, AutoScreen показал ~19% улучшение в восстановлении валидированных хитов среди топ-100 предсказаний по сравнению с сильнейшим агентом-базлайном. Система также требует в 1,2 раза меньшую библиотеку для достижения того же числа хитов на топ-500, что критически важно для成本 снижения экспериментов, как показано в AutoScreen (2026).

Следующий шаг — интеграция обоих подходов в единый замкнутый цикл. Идея: ИИ-агент анализирует скрининг, выявляет гены-мишени, предлагает дизайн guide RNA, а затем — генерирует оптимальную нуклеазу для редактирования именно этих локусов. Именно к этому движется проект CRISPR-GPT, где мультиагентная система связывает дизайн эксперимента, подбор нуклеазы, оценку off-target эффектов и генерацию стандартных операционных процедур, о чём сообщается в описании проекта CRISPR-GPT.

Пока это исследовательские прототипы, но направление ясно: ИИ перестаёт быть «ускорителем» и становится «со-учёным» — системой, которая не просто обрабатывает данные, а формулирует гипотезы и предлагает эксперименты. Ключевой барьер — не вычислительный, а методологический: как обеспечить, чтобы агент объяснял свои решения, а не выдавал чёрный ящик? AutoScreen уже решает это через «pipeline provenance» — полную трассировку того, как каждый вывод был получен, как описано в AutoScreen (2026).

Перепечатка статьи разрешается при условии размещения активной гиперссылки на ChemPort.Ru

Перепечатка статьи разрешается при условии размещения активной гиперссылки на ChemPort.Ru