МФТИ — нейросети для проектирования белков и новых оптических материалов

МФТИ ведёт несколько параллельных направлений применения ИИ в фундаментальной науке:

1. Дизайн флуоресцентных белков (март 2024). Центр МФТИ применил метод ProteinMPNN (глубокое обучение) для проектирования новых флавин-связывающих белков — CagFbFP. Нейросеть предложила заменить 55–66% аминокислот последовательности. Экспериментальная проверка показала, что все три синтезированных мутантных белка сохранили активность и стабильность. Результаты опубликованы в Protein Science.

2. Поиск оптических материалов (ноябрь 2024). Лаборатория компьютерного дизайна материалов МФТИ совместно с китайскими коллегами обучила графовую нейронную сеть ALIGNN для поиска кристаллов с высоким показателем двулучепреломления (Δn). Скрининг базы данных Materials Project выявил два новых материала (NaYCO₃ и другой) с рекордными показателями в области глубокого ультрафиолета. Результаты опубликованы в Science China Materials.

3. Модификация AstaP (ноябрь 2024). Специалисты ФИЦ Биотехнологии РАН, МФТИ и МГУ применили MPNN для модификации астаксантин-связывающего белка AstaP. Созданы новые белки NeuroAstaP с улучшенными свойствами.

Создание новых белков требует решения обратной задачи — подбора аминокислотной последовательности, которая самопроизвольно свернётся в молекулу нужной структуры. Классический экспериментальный перебор неэффективен; поиск материалов с заданными оптическими свойствами среди тысяч кандидатов — крайне трудоёмок.

• Ускорить открытие новых функциональных белков и материалов с заданными свойствами

• Демонстрация применимости Deep Learning в прикладной биохимии и физике

• Финансы

• Результаты не раскрыты публично (академическое финансирование РНФ, грант 21-64-00018) Время

• ML-скрининг материалов кратно быстрее традиционного экспериментального перебора Качество и эффективность

• 100% успех: все 3 синтезированных мутантных белка CagFbFP сохранили активность (несмотря на 55–66% изменений аминокислотной последовательности)

• Обнаружено 2 новых материала с рекордными показателями двулучепреломления в ДУФ-диапазоне

• Первая демонстрация совместного использования GNN + критерий D-оптимальности для поиска оптических материалов

• Метод масштабируется на другие классы белков и материалов Нагрузка и масштаб

• Результаты опубликованы в международных рецензируемых журналах (Protein Science, Science China Materials) Надёжность

• Экспериментально верифицированные результаты Импортозамещение и compliance

• Использование открытых научных инструментов; поддержка Российского научного фонда (грант РНФ) Качественный эффект: Доказана практическая применимость Deep Learning для инжиниринга сложных биомолекул и оптических материалов в российских лабораториях. Разработанные подходы открывают путь к de novo дизайну ферментов, оптических компонентов и других функциональных структур.