Un enzima progettato dall’intelligenza artificiale potrebbe rendere più rapida e selettiva la produzione di alcune molecole farmaceutiche. Il risultato, ancora da valutare indipendentemente, riguarda un modello generativo sviluppato per creare nuove proteine.
Secondo le informazioni disponibili sul progetto, il sistema è stato realizzato dall’Institute for Protein Design in collaborazione con NVIDIA e combina la progettazione della sequenza di una proteina con la previsione della sua struttura tridimensionale. L’obiettivo non è riprodurre un enzima già esistente, ma costruire candidati completamente nuovi e testarli in laboratorio.
Perché gli enzimi sono utili nella chimica dei farmaci
Molti farmaci contengono molecole con strutture tridimensionali precise. Due composti con la stessa formula e gli stessi legami possono differire per la disposizione nello spazio, con effetti molto diversi sull’organismo. La produzione industriale deve quindi controllare non soltanto quali atomi vengono collegati, ma anche come vengono orientati.
Gli enzimi sono catalizzatori biologici: accelerano determinate reazioni creando un ambiente molecolare favorevole. La loro selettività può ridurre il numero di passaggi necessari, la quantità di reagenti e la formazione di sottoprodotti. In alcuni casi permettono inoltre di lavorare a temperatura e pressione più basse rispetto alla chimica tradizionale.
Il limite è che gli enzimi naturali non sono adatti a ogni trasformazione richiesta dall’industria. Possono essere instabili, funzionare soltanto in condizioni ristrette o riconoscere male i materiali di partenza. Progettarne di nuovi significa cercare una soluzione a queste difficoltà.
Come l’intelligenza artificiale disegna una proteina
Una proteina è una catena di amminoacidi ripiegata in una forma tridimensionale. La sequenza determina in larga parte il ripiegamento, ma il rapporto tra sequenza, struttura e attività è estremamente complesso. Anche una piccola modifica può rendere una proteina inattiva oppure cambiarne stabilità e selettività.
Un modello generativo può esplorare questo spazio di possibilità proponendo sequenze compatibili con una determinata architettura molecolare. Il sistema può quindi cercare una tasca attiva capace di legare una molecola e favorire una specifica reazione. I candidati vengono poi filtrati con simulazioni e analisi strutturali prima di essere prodotti e verificati sperimentalmente.
La novità dichiarata per il modello RFD4-Proteina riguarda l’integrazione di più fasi della progettazione. Invece di trattare separatamente sequenza e struttura, l’approccio cerca di ottimizzarle insieme. Le informazioni disponibili indicano anche un aumento della velocità di generazione e percentuali di successo computazionale superiori rispetto a modelli precedenti, ma questi numeri devono essere interpretati con cautela.
Dal computer al laboratorio il passaggio decisivo
Una previsione informatica non dimostra che un enzima funzionerà in un reattore. Per verificarlo, i ricercatori devono sintetizzare il gene, inserirlo in un organismo produttore, purificare la proteina e misurarne l’attività con saggi controllati.
Occorre poi stabilire quanto l’enzima sia selettivo, per quanto tempo rimanga attivo e se tolleri solventi, variazioni di temperatura e concentrazioni elevate dei reagenti. Un candidato interessante in una provetta può rivelarsi poco pratico su scala industriale. Anche la produzione a costi sostenibili e la rimozione delle impurità restano problemi concreti.
Per questo, il dato più importante non è soltanto quanti candidati il modello riesce a creare, ma quanti arrivano a dimostrare un’attività riproducibile in condizioni realistiche. La distinzione tra successo computazionale e successo sperimentale è essenziale per evitare di confondere una previsione con una tecnologia pronta.
