Международная группа исследователей с участием учёных китайского Westlake University представила Pinal, модель искусственного интеллекта, которая проектирует новые белки по описанию их желаемых функций на обычном языке. Исследование опубликовано 21 октября в журнале Nature, а 3 ноября о его результатах вновь рассказали научные издания.

Белки — настоящие рабочие инструменты живой природы. Одни ускоряют химические реакции, другие переносят вещества, третьи участвуют в обмене энергии или помогают клеткам реагировать на окружающую среду. Их возможности зависят от последовательности аминокислот и пространственной структуры молекулы.

До сих пор проектирование белка с заданными свойствами требовало от исследователя глубокого понимания молекулярной архитектуры. Даже используя ИИ, специалисту часто приходилось задавать структурные ограничения или отталкиваться от уже известных природных белков.

Pinal предлагает другой подход. Исследователь описывает желаемую функцию, а система сначала подбирает возможную структуру, затем проектирует соответствующую аминокислотную последовательность и оценивает полученные варианты.

Модель содержит 16 миллиардов параметров. Для её обучения использовали около 1,7 миллиарда пар, связывающих белки с текстовыми описаниями их функций.

Дальше - больше. Учёные поручили Pinal спроектировать четыре типа белков: флуоресцентный белок, фермент для расщепления пластика PET, фермент для превращения спиртов и белок, участвующий в обменных реакциях клетки. И во всех четырёх случаях лабораторные испытания обнаружили варианты с требуемой активностью.

Правда, результаты оказались далеко не одинаковыми. Из 50 тысяч предложенных вариантов флуоресцентного белка исследователи отобрали 29 для лабораторных испытаний. Светиться смог только один.

Зато в эксперименте с метаболическим H-белком функциональными оказались пять из двадцати проверенных кандидатов. А наиболее удачный вариант увеличил выход продукта в экспериментальной системе фиксации углекислого газа в 1,7 раза по сравнению с природным белком кишечной палочки.

Это ещё не означает, что искусственный интеллект научился создавать любую молекулу по первому требованию. Большинство предложенных конструкций может оказаться неработоспособным, а проверка по-прежнему требует сложной лабораторной работы.

Но меняется сама постановка задачи. Вместо того чтобы начинать с известной молекулы и постепенно менять её свойства, исследователь получает возможность начать с цели. Сначала сформулировать, что необходимо сделать, и только потом искать молекулярную конструкцию, способную выполнить эту работу.

В перспективе такой подход может ускорить создание промышленных ферментов, новых биоматериалов и инструментов для биотехнологий.

Пожалуй, самое интересное здесь даже не то, что ИИ научился предлагать новые белки. А то, что человеческий язык постепенно становится интерфейсом для проектирования самой живой материи.

И всё же последнее слово пока остаётся за экспериментом. Природа, в отличие от генеративной модели, не обязана соглашаться с красиво сформулированным запросом.