Разработчики представили MutexaGPT, систему на базе больших языковых моделей, которая переводит интуитивную идею специалиста по белкам в конкретные варианты мутаций для проверки. Вместо самостоятельного предсказания свойств белка ИИ формулирует вычислительную задачу, запускает молекулярное моделирование и помогает выбрать наиболее перспективные изменения.
Работу MutexaGPT проверили на двух задачах инженерии ферментов. В первом случае системе предложили сделать активный центр фермента просторнее, чтобы молекула могла работать с более крупными субстратами. MutexaGPT проанализировала 600 комбинаций мутаций с помощью моделирования молекулярной динамики и выбрала десять наиболее перспективных вариантов. Четыре из них уже показывали нужный результат в ранее проведённых экспериментах, что дало 40-процентную долю успешных кандидатов и примерно четырёхкратное обогащение по сравнению с базовым методом отбора.
Такой результат показал, зачем при проектировании белков учитывать движение молекулы, а не только её неподвижную трёхмерную модель. Расчёты показали, что объём активного центра, полученный по статической структуре, почти не коррелировал со средним объёмом того же участка во время молекулярной динамики. Причиной стали временные полости, которые открываются при движении белка и остаются незаметными на одном неподвижном снимке структуры.
Во втором эксперименте разработчики попросили MutexaGPT помочь ферменту эффективнее работать при низкой температуре. Система предложила изменить участок, соединяющий два домена белка, и рассчитала, как разные варианты повлияют на расстояние между ними. Два выбранных варианта затем проверили экспериментально, и показатель активности при низкой температуре вырос примерно в 1,7 и 3,7 раза относительно исходного варианта.
Главная особенность MutexaGPT заключается в способе постановки задачи. Пользователь может описать идею обычным языком, например попросить увеличить полость активного центра. Несколько ИИ-агентов уточняют недостающие параметры, переводят гипотезу в измеримые физические характеристики, составляют план моделирования и после расчётов превращают результаты в ранжированный набор мутаций.
Для вычислений система использует EnzyHTP, платформу автоматизированного моделирования ферментов. Она позволяет создавать молекулярные модели, вносить аминокислотные замены, запускать расчёты и оценивать физические характеристики вариантов белка без ручной подготовки каждого кандидата.
Разработчики отдельно подчёркивают, что MutexaGPT нельзя считать ИИ, который напрямую угадывает удачную мутацию по последовательности белка. Система автоматизирует перевод человеческой гипотезы в физическую модель и отбирает варианты по результатам вычислений. Сейчас она умеет учитывать объём активного центра, электрическое поле, положение субстрата, энергию связывания, стабильность сворачивания белка и несколько других параметров.
Такое ограничение одновременно задаёт границы технологии. Если свойство, о котором спрашивает пользователь, нельзя выразить через доступные вычислительные показатели, MutexaGPT не сможет выдать физически обоснованный вариант мутации. Авторы также признают, что нынешние языковые модели пока недостаточно надёжны для полностью самостоятельного выдвижения сложных научных гипотез, оценки неопределённости и построения многоэтапных экспериментальных программ.
Тем не менее подход меняет привычную роль ИИ в молекулярном дизайне. Вместо попытки заменить специалиста модель выступает переводчиком между химической интуицией и вычислительным экспериментом: человек формулирует идею словами, а система доводит её до набора конкретных изменений белка, которые уже можно проверить в лаборатории. Код MutexaGPT опубликован в открытом репозитории.