Biologia generativa

Modelli linguistici genomici e architetture a spazio di stato

I modelli linguistici genomici (dall'inglese Genomic Language Models - gLMs) modellano i polimeri biologici utilizzando i principi della modellazione del linguaggio. Le architetture Transformer standard presentano una complessità computazionale quadratica ${\displaystyle O(N^{2})}$ rispetto alla lunghezza della sequenza ${\displaystyle N}$, il che ha storicamente limitato le finestre di contesto a regioni geniche circoscritte. Per elaborare operoni contenenti più geni, cluster biosintetici e genomi interi, la biologia generativa utilizza modelli a spazio di stato (SSM, State-Space Models) e architetture ibride, come StripedHyena.

L’architettura StripedHyena sostituisce i meccanismi di attenzione con operazioni di elaborazione dei segnali e trasformazioni basate su modelli a spazio di stato, ottenendo una complessità computazionale quasi lineare ${\displaystyle O(N\log N)}$, pur mantenendo una risoluzione a singolo nucleotide.Questo approccio permesso la realizzazione di Evo 1 (7 miliardi di parametri, finestra di contesto di 131072 coppie di basi) e del suo successore, Evo 2 (40 miliardi di parametri, finestra di contesto di 1000000 di coppie di basi).

Addestrati su insiemi di dati genomici dell’ordine di molteplici terabasi, comprendenti sequenze eucariotiche, procariotiche, archeali, virali e organellari, questi modelli sono in grado di apprendere le relazioni regolatorie a lungo raggio, come le interazioni tra enhancer e promotori distanti, le regole alla base della regolazione dell’espressione genica, l'organizzazione degli operoni e il coordinamento di enzimi multidominio.

Diffusione equivariante di equazioni e modellazione strutturale

Nella progettazione macromolecolare, i modelli impiegano processi di diffusione strutturale. Le piattaforme basate sulla diffusione di sistemi di riferimento (frame diffusion), come RFdiffusion, rappresentano gli scheletri delle proteine come sistemi di riferimento rigidi e continui nello spazio tridimensionale delle coordinate. Attraverso l’apprendimento del processo inverso di evoluzione di rumore gaussiano continuo applicato alle coordinate atomiche, questi sistemi generano scheletri proteici stabili, condizionati da geometrie spaziali, siti catalitici o superfici di interazione con bersagli specifici. A integrazione della diffusione strutturale, i modelli di diffusione discreta, come quelli integrati in gLM2, decodificano iterativamente token di sequenza mascherati all’interno di contig genomici contenenti più proteine, consentendo un controllo programmabile su vie biosintetiche articolate in più fasi.

Architetture genomiche multiscala basate su U-Net

Per collegare i pattern locali delle sequenze all’organizzazione macroscopica dei cromosomi, architetture come NTv3 implementano strutture encoder-decoder ispirate alla U-Net. Questi modelli riducono progressivamente la risoluzione degli input genomici continui mediante reti di convoluzione (convolutional towers), aggregando rappresentazioni contestuali globali all’interno di un livello intermedio basato su Transformer (Transformer bottleneck). Successivamente, aumentano nuovamente la risoluzione attraverso reti simmetriche di decodifica, generando previsioni funzionali e schemi di sequenze con risoluzione a singolo nucleotide.

Progettazione in funzione del bersaglio

Tradizionalmente, la scoperta di anticorpi si basa su protocolli di immunizzazione animale o librerie di presentazione contenenti sequenze randomizzate. Questi approcci sono intrinsecamente limitati dai meccanismi di tolleranza immunitaria e dall’accessibilità degli epitopi.

Le architetture generative sorpassano tali vincoli formulando la progettazione macromolecolare sotto forma di un problema inverso di ripiegamento, come la già citata RFdiffusion, per costruire scheletri proteici tridimensionali rigidi, progettati per adattarsi con precisione a specifiche conformazioni superficiali. Ai modelli di ottimizzazione delle sequenze, come ProteinMPNN e IgMPNN, è poi affidato un compito di rifinitura e individuazione delle combinazioni ottimali di amminoacidi al fine di garantire la stabilità e l’affinità verso il bersaglio.

Nelle applicazioni terapeutiche in oncologia e nelle malattie infettive, queste architetture consentono di progettare sistematicamente molecole leganti ad alta affinità contro bersagli patologici, tra cui HER2, VEGF-A e complessi di glicoproteine presenti sulla superficie dei virus.

Le valutazioni sperimentali dimostrano che i generatori di sequenze basati sull’inverse folding, come IgMPNN, raggiungono tassi di legame fino al 10,6% per i loop CDR-H3 ipervariabili, superando significativamente gli algoritmi tradizionali.

Vie biosintetiche programmabili ed enzimi multidominio

Oltre alla progettazione di singole strutture proteiche, la biologia generativa consente la progettazione di catene di assemblaggio multienzimatiche. I sistemi enzimatici multidominio, come le polichetide sintasi (PKS, Polyketide Synthases) e le sintetasi di peptidi non ribosomiali (NRPS, Non-Ribosomal Peptide Synthetases), riescono infatti a sintetizzare strutture chimiche complesse, non prodotte dai ribosomi, e piccole molecole con potenziale farmacologico.

Mediante il perfezionamento (fine-tuning) di modelli genomici come gLM2 su database specializzati di cluster genici biosintetici (BGC, Biosynthetic Gene Clusters), annotati con token che rappresentano i profili dei domini derivati dai modelli di Markov nascosti (HMM, Hidden Markov Models), i ricercatori possono fornire ai modelli istruzioni relative alla successione di specifici domini catalitici.

Guidato da algoritmi di diffusione discreta per la pianificazione dei percorsi, il modello genera sequenze codificanti continue, comprendenti più proteine, che mantengono un corretto allineamento della fase di lettura durante la traduzione e la compatibilità tra i domini, riuscendo di fatto a progettare cluster metabolici sintetici produttori di metaboliti secondari non naturali, al di fuori delle vie biosintetiche conosciute e dei percorsi esplorati dall'evoluzione.

Integrazione nella scoperta di biofarmaci

Nelle pipeline biofarmaceutiche industriali, le piattaforme di biologia generativa hanno ridotto significativamente i tempi necessari per identificare e ottimizzare i candidati farmacologici. Le applicazioni aziendali, tra cui la piattaforma PandaOmics di Insilico Medicine e l’architettura di biologia generativa di Amgen, integrano l’identificazione dei bersagli biologici con la progettazione strutturale.

L’integrazione con sistemi automatizzati di bioproduzione ha consentito di triplicare la velocità dei processi di ingegneria proteica e di ridurre del 50% i tempi delle fasi iniziali della scoperta di nuovi farmaci.

Sintesi ex novo di genomi funzionali di batteriofagi

Utilizzando i modelli fondamentali biologici Evo 1 ed Evo 2, i ricercatori dell’Arc Institute, della Stanford University e di NVIDIA hanno dimostrato la generazione ex novo, dall’inizio alla fine, di genomi virali infettivi. Prendendo come riferimento il batteriofago a DNA a singolo filamento ${\displaystyle \Phi {\text{X174}}}$ (5386 coppie di basi), i modelli hanno generato migliaia di nuovi genomi candidati mediante decodifica sequenziale delle sequenze, da sinistra verso destra, in un singolo passaggio.

Tra i candidati generati, circa 300 progetti genomici inediti sono stati sintetizzati chimicamente in vitro e introdotti in colture cellulari ospiti di Escherichia coli. La validazione sperimentale ha permesso di ottenere 16 batteriofagi sintetici completamente vitali e infettivi, tra cui il ceppo ${\displaystyle {\text{Evo-}}\Phi {\text{X2147}}}$, capaci di completare normali cicli di infezione litica, replicarsi nelle cellule ospiti e formare placche di lisi.

La vitalità biologica è risultata direttamente correlata alla somiglianza delle sequenze con i modelli evolutivi naturali: i genomi che conservavano una maggiore somiglianza di sequenza hanno raggiunto tassi di vitalità fino al 46,2%, mentre i candidati con sequenze fortemente divergenti hanno mostrato percentuali di successo inferiori. Questi risultati delineano gli attuali limiti della modellazione generativa di genomi completi.

Un risultato particolarmente significativo è stato quello per cui le formulazioni di batteriofagi sintetici generate da Evo 2 hanno ucciso ceppi di E. coli multiresistenti che avevano acquisito una resistenza completa ai batteriofagi di tipo selvatico (wild-type), suggerendo una possibile nuova strategia terapeutica per contrastare la resistenza antimicrobica.

Ingegneria dei vettori virali adeno-associati

La biologia generativa sta promuovendo progressi analoghi nello sviluppo di vettori destinati alla terapia genica umana. Le architetture generative profonde, addestrate su spazi di sequenze di proteine del capside, consentono di progettare nuove varianti del capside dei virus adeno-associati (AAV, Adeno-Associated Virus).

Questi involucri virali progettati mediante intelligenza artificiale possono presentare caratteristiche ottimizzate, tra cui maggiore capacità di nel raggiungere specifici tessuti, come una migliore mobilità attraverso la barriera emato-encefalica, riduzione del riconoscimento e dell’inattivazione del vettore da parte del sistema immunitario e un miglioramento della capacità di incorporare il materiale genetico da trasportare.

L'obiettivo è ridurre gli ostacoli alla somministrazione del materiale genetico nella medicina genetica e nella terapia genica. Le prestazioni effettive, tuttavia, variano sperimentalmente per ciascuna variante e applicazione terapeutica.

Promotori sintetici ex novo e riprogrammazione metabolica

Contrariamente ai metodi tradizionali basati sull'introduzione di DNA transgenico estraneo, i modelli generativi per le piante progettano componenti sintetici che possono agire sul genoma.

Le architetture generative esplorano spazi latenti di sequenze per creare promotori sintetici specifici per determinati tipi cellulari e inducibili da condizioni di stress ambientale. Questi promotori attivano selettivamente la trascrizione in risposta a specifici stimoli abiotici, come siccità, salinità del suolo o stress termico, riducendo le penalizzazioni sulla resa agricola e sullo sviluppo dovute alla sovraespressione genica.

La biologia sintetica vegetale integra la progettazione generativa per ottimizzare cassette di espressione contenenti più geni, con l’obiettivo di migliorare l’efficienza fotosintetica, ad esempio integrando elementi della via fotosintetica ${\displaystyle C_{4}}$ nelle colture ${\displaystyle C_{3}}$, aumentare l’efficienza della fissazione dell’azoto e migliorare il profilo nutrizionale delle colture agricole.

Sinergia con l’editing genico di precisione CRISPR/Cas

La biologia generativa interagisce in modo sinergico con le tecnologie di editing molecolare. I modelli linguistici di grandi dimensioni sono stati utilizzati per generare enzimi di editing genico non naturali. Ad esempio, il modello Evo ha progettato EvoCas9-1, una nuova nucleasi CRISPR che condivide soltanto il 73% di identità di sequenza con la Cas9 naturale dello Streptococcus pyogenes, mantenendo al contempo la piena attività di taglio del DNA.

In combinazione con sistemi di veicolazione virale, come i vettori del virus del mosaico del tabacco (Tobacco Rattle Virus, TRV), capaci di raggiungere direttamente le cellule della linea germinale vegetale, le nucleasi progettate dall’intelligenza artificiale consentono di eseguire interventi multipli di base editing e prime editing su genomi complessi delle colture agricole, senza richiedere procedure di trasformazione mediante coltura di tessuti a lungo termine.

Progettazione, costruzione, test e apprendimento

Per collegare le previsioni computazionali ai caratteri fenotipici osservabili nelle reali condizioni di campo, l’ingegneria generativa applicata alle piante si basa su un framework operativo DBTL (Design-Build-Test-Learn, ovvero progettazione, costruzione, test e apprendimento) articolato in due cicli interconnessi.

Il ciclo computazionale interno esegue la generazione continua di sequenze, la modellazione di vincoli causali e la valutazione dei candidati mediante sistemi di scoring virtuali all’interno di uno spazio latente continuo, al fine di proporre costrutti genetici candidati.

Il ciclo sperimentale esterno prevede la sintesi fisica del DNA progettato, la trasformazione dei tessuti vegetali e la valutazione delle linee transgeniche o sottoposte a editing genico mediante piattaforme di fenotipizzazione ad alto rendimento, gemelli digitali in condizioni climatiche controllate e prove di campo condotte in più località.

I dati empirici multi-omici generati nel ciclo sperimentale vengono continuamente reintrodotti nello spazio latente, perfezionando le generazioni successive e riducendo il divario tra simulazione e realtà nelle biotecnologie vegetali.