EnzymeRSI با بهبود الگوریتم‌ها، طراحی آنزیم را به چرخه‌ای خودبهبودگر پیوند می‌دهد

پژوهشگران در پیش‌چاپی در arXiv سامانه‌ای به نام EnzymeRSI معرفی کرده‌اند که به‌جای بهینه‌سازی صرفِ انتخاب نامزدها برای آزمایش، خودِ روش و گردش‌کار طراحی آنزیم را نیز اصلاح می‌کند. این سامانه دو حلقه دارد: حلقهٔ بیرونی اجزای گردش‌کار را بدون تغییر وزن‌های مدل تکامل می‌دهد و حلقهٔ درونی، الگوریتم‌های پیش‌بینی و انتخاب را در شرایط کنترل‌شده توسعه می‌دهد. پژوهشگران همچنین سامانه‌ای برای آزمایشگاه ابری توصیف کرده‌اند تا بازخورد کنترل‌کیفیت‌شدهٔ آزمایش‌های فیزیکی را وارد این چرخه کند.

در ارزیابی روی پنج آزمون ProteinGym، حلقهٔ بیرونی با به‌روزرسانی راهبرد پیش‌بینی، میانگین هم‌بستگی Spearman مجموعهٔ توسعه را ۰٫۰۴۴ افزایش داد. مقدار این هم‌بستگی برای CD19 به ۰٫۳۳۵ و برای OPSD (رودوپسین) به ۰٫۶۸۳ رسید؛ از میان این دو نتیجهٔ برتر، فقط نتیجهٔ CD19 را خود حلقهٔ بیرونی تولید کرد. در آزمایش‌های الگوریتمی نیز حلقهٔ درونی هنگام بهبود ThermoMPNN به ضریب هم‌بستگی پیرسون ۰٫۸۴۹ رسید و در TadA-Bench طی ۱٫۱۳ ساعت هم‌بستگی Spearman برابر با ۰٫۳۰۷ ثبت کرد.

در سه آزمون آینده‌نگر آزمایشگاهی، ۱۰ مورد از ۳۲ نامزد آنزیم RLuc که از پیش مشخص نشده بودند، دست‌کم دو برابر فعالیت نوع وحشی را نشان دادند. یک واریانت پیشنهادی از آنزیم A3A تبدیل 5mC را به ۹۰٫۲ درصد رساند و انتخاب مسیر تکامل برای DNA پلیمراز KOD-E، کارایی کاتالیتیکی آن را روی بستری اصلاح‌شده به ۳۱٫۱ برابر نمونهٔ والد افزایش داد. این نتایج در پیش‌چاپ گزارش شده‌اند و مقاله، EnzymeRSI را رویکردی برای پیوند دادن توسعهٔ الگوریتم و سازمان‌دهی گردش‌کار پژوهش در یک چرخهٔ خشک‌به‌تر توصیف می‌کند.