Исследователи из Университета Вандербильта представили MutexaGPT, платформу, которая превращает словесные гипотезы о ферментах в планы молекулярного моделирования и списки вариантов для проверки. Статью опубликовали 10 сентября 2026 года в журнале Nature Computational Science.

Платформа не предсказывает свойства белка сама по себе. Она помогает перевести замысел химика в вычислимую задачу: уточняет, какой фермент изучают, какие мутации рассматривают и какое свойство хотят изменить. Затем система рассчитывает варианты и ранжирует их по выбранным показателям.

От вопроса к моделированию

В MutexaGPT работают три агента на основе больших языковых моделей. Первый уточняет задачу, второй переводит её в вычислимые показатели и составляет план мутаций. После подтверждения пользователя серверная программа EnzyHTP запускает моделирование. Третий агент ранжирует результаты, обозначает границы их интерпретации и предлагает дальнейшие проверки.

В одном испытании команда искала мутации, способные увеличить полость фермента галогенидметилтрансферазы, чтобы она вмещала более крупные субстраты. Платформа рассчитала 600 вариантов, для каждого провела 50-наносекундную симуляцию и выбрала десять вариантов с наибольшим расчётным объёмом полости. Четыре из них совпали с вариантами, которые ранее подтвердили экспериментально.

Во второй задаче исследователи искали варианты амилазы с повышенной активностью при низкой температуре. Два варианта, отобранных по моделированию, проверили в лаборатории. При 0 °C их относительная активность оказалась в 1,7 и 3,7 раза выше, чем у исходного фермента.

Представим, что исследователь хочет понять, поможет ли изменение расстояния между двумя частями фермента сохранить его активность в холоде. MutexaGPT может запросить структуру белка и набор мутаций, затем сопоставить варианты по показателю расстояния и ранжировать их. Это лишь условная иллюстрация работы платформы, а не описание проведённого опыта: расчётный список кандидатов ещё нужно проверять экспериментально.

Платформа работает только с показателями, которые умеет рассчитывать EnzyHTP. Среди них объём полости, напряжённость электрического поля, энергия связывания и относительная свободная энергия сворачивания белка. Если нужное свойство нельзя выразить через поддерживаемую метрику, система должна сообщить, что расчёт невозможен.

Длительность моделирования тоже имеет значение. В задаче с полостью симуляции на 5–10 наносекунд почти не помогали отбирать подходящие варианты; обогащение списка такими кандидатами появлялось при длительности от 15 наносекунд. Для расчёта всех 600 вариантов по 50 наносекунд понадобилось суммарно 30 микросекунд модельного времени. Авторы также отмечают, что языковые модели пока ненадёжны в сложных открытых рассуждениях, а методы количественной оценки их неопределённости остаются незрелыми.

Моделирование не заменяет лабораторную проверку. Для подготовки публикации о расчётах и их ограничениях можно ознакомиться с услугой подготовки научной статьи.

Схема показывает, как MutexaGPT переводит гипотезу о ферменте в план молекулярного моделирования и список кандидатов для последующей проверки.

Фото: elliepeek / Pixabay