Un enzima destinato all’industria deve fare più che accelerare una reazione: deve restare attivo, produrre soprattutto la molecola desiderata e funzionare in condizioni realistiche.
Indice Articolo
È questo il problema affrontato dai nuovi metodi di progettazione computazionale degli enzimi, tra cui l’approccio indicato come SynFit nello spunto di partenza. Il nome e i dettagli specifici del metodo non sono sufficientemente verificabili attraverso le informazioni disponibili; il principio scientifico, però, è ben definito: valutare contemporaneamente più proprietà invece di ottimizzarne una sola.
Perché un enzima perfetto non esiste
In natura gli enzimi sono il risultato di compromessi evolutivi. Una proteina può essere molto rapida, ma perdere attività appena cambiano temperatura o acidità. Oppure può riconoscere con grande precisione il substrato corretto, ma trasformarlo troppo lentamente per un processo industriale.
Le prestazioni dipendono da caratteristiche diverse:
- la velocità della reazione;
- la stabilità nel tempo;
- la selettività verso il substrato e il prodotto;
- la tolleranza a solventi, sali, temperatura o variazioni di pH;
- la quantità di enzima necessaria e il costo di produzione.
Ottimizzare soltanto una di queste variabili può peggiorare le altre. Una mutazione che rende più rapido il movimento di una molecola nel sito attivo, per esempio, può anche destabilizzare la struttura tridimensionale della proteina.
Il problema dei compromessi
Nei programmi tradizionali di ingegneria enzimatica, i ricercatori modificano alcune posizioni della sequenza, producono le varianti e misurano il risultato. Il ciclo viene ripetuto molte volte. È un metodo potente, ma il numero delle possibili sequenze cresce rapidamente: anche una proteina con poche centinaia di amminoacidi offre uno spazio di ricerca enorme.
Un algoritmo può aiutare a restringere questo spazio, ma deve essere istruito su ciò che conta davvero. Se riceve come unico obiettivo la velocità, tenderà a proporre varianti rapide anche quando si degradano facilmente. Se viene premiata solo la stabilità, potrebbe suggerire proteine robuste ma poco efficienti.
Un modello multi-obiettivo cerca invece un insieme di soluzioni equilibrate. In matematica non esiste necessariamente una variante migliore in assoluto: esistono soluzioni che non possono migliorare una proprietà senza sacrificarne almeno un’altra. Questo insieme è spesso chiamato frontiera di Pareto.
Come si selezionano le varianti
Il flusso di lavoro può iniziare con una banca di sequenze naturali o con varianti già studiate in laboratorio. Per ciascuna, i ricercatori raccolgono dati sperimentali: attività catalitica, temperatura ottimale, resistenza all’inattivazione e quantità di prodotto secondario.
Un modello statistico o di apprendimento automatico collega poi la sequenza alle prestazioni osservate. Il sistema propone nuove combinazioni di amminoacidi e assegna a ciascuna una previsione, insieme a un livello di incertezza. Le candidate più interessanti vengono sintetizzate e testate davvero.
Questo passaggio è indispensabile. Una previsione numerica non dimostra che una variante funzionerà in un reattore, in una matrice alimentare o in un campione biologico. Le proteine possono ripiegarsi in modo inatteso, aggregarsi oppure reagire con componenti che non erano presenti nei test iniziali.
Dalla ricerca a processi più sostenibili
Enzimi meglio bilanciati potrebbero ridurre l’uso di solventi aggressivi, la temperatura di lavorazione o il numero di passaggi necessari per ottenere una sostanza. Sono già impiegati nella produzione di alimenti, detergenti, biocarburanti, materiali e intermedi farmaceutici.
Un enzima attivo a temperatura moderata può diminuire il fabbisogno energetico. Uno più selettivo può limitare la formazione di sottoprodotti e semplificare la purificazione. Uno più stabile può essere riutilizzato più volte, anche se il vantaggio reale dipende dall’intero processo, dal recupero della proteina e dalla gestione dei rifiuti.
Questi benefici non sono automatici. La produzione dell’enzima, la sterilizzazione, il trasporto e il trattamento finale devono essere inclusi nel bilancio ambientale. Anche una reazione biocatalitica può risultare poco conveniente se richiede molta acqua o materie prime difficili da recuperare.
Il ruolo dell’intelligenza artificiale
L’intelligenza artificiale può esplorare sequenze che un ricercatore non testerebbe manualmente, ma non sostituisce la chimica e la biochimica sperimentale. I modelli imparano dai dati disponibili: se questi sono pochi, sbilanciati o ottenuti in condizioni diverse, le previsioni possono essere fragili.
Un limite importante riguarda la trasferibilità. Un enzima valutato in una soluzione tampone può comportarsi diversamente in un impasto, in un fermentatore o a contatto con una superficie solida. Inoltre, misurare l’attività non basta: occorre verificare selettività, sicurezza, durata, riproducibilità e compatibilità con gli impianti.
La progettazione computazionale è quindi più utile quando segue un ciclo chiuso tra calcolo e laboratorio. Gli esperimenti correggono il modello e il modello suggerisce gli esperimenti successivi. Questo riduce il numero di tentativi, ma non elimina la necessità di misurare ogni proprietà rilevante.
Una strategia già collegata ad altri metodi
Il bilanciamento tra obiettivi si integra con la progettazione strutturale, l’evoluzione diretta e l’analisi delle sequenze. Per approfondire il rapporto tra modelli computazionali e funzioni catalitiche si può leggere anche l’articolo interno sugli enzimi progettati dall’intelligenza artificiale. Un altro contributo descrive il percorso dalla sequenza proteica alla ricerca di farmaci.
Le basi generali della nomenclatura e della descrizione delle attività enzimatiche sono raccolte dall’Unione internazionale di chimica pura e applicata, mentre informazioni biomediche e biotecnologiche di riferimento sono disponibili sul portale del National Institutes of Health.
Che cosa bisogna verificare
Per valutare davvero un metodo come SynFit servirebbero dati pubblici sulle sequenze progettate, sui test indipendenti, sulle condizioni sperimentali e sul confronto con tecniche già disponibili. Senza queste informazioni non è corretto attribuire al sistema miglioramenti quantitativi o applicazioni commerciali già dimostrate.
La novità più importante non è dunque la promessa di un enzima “perfetto”. È il cambio di criterio: progettare proteine adatte a un processo concreto, dove velocità, stabilità, selettività e costi devono funzionare insieme. In laboratorio, spesso, la soluzione migliore non è quella che vince una singola gara, ma quella che mantiene un buon rendimento quando cambiano le condizioni reali.
