Дальше в дело вступил искусственный интеллект. Исследователи взяли лучший из этих ферментов и с помощью ИИ начали искать похожие по структуре белки — через базу AlphaFold, которая предсказывает трёхмерную форму белков по их аминокислотной последовательности. Эти данные стали обучающей выборкой для нейросети, способной предсказывать, какие аминокислоты образуют «карман» связывания — ту область фермента, где происходит реакция.

Главный инструмент работы — новая модель GRASE (Graph Neural Network-based Recommendation of Active and Stable Enzymes). Она объединяет графовую нейросеть с алгоритмом подбора аминокислотных позиций, балансируя между стабильностью фермента и его гибкостью, необходимой для работы с разными типами полиуретанов.

Результат оказался впечатляющим: из 24 предложенных ИИ вариантов 21 показал каталитическую активность, а 8 превзошли лучший природный фермент. Самый эффективный образец оказался в 30 раз активнее, а в комбинации с диэтиленгликолем и нагревом до 50 °C — уже в 450 раз. За 12 часов он и разложил почти весь полиуретан, а процесс удалось повторить трижды без существенной потери активности. На килограммовом масштабе результаты сохранились: разложение достигло 95% и выделило исходные компоненты, из которых снова можно получить чистый полиуретан.

Авторы подчеркивают, что их метод проектирования белков учитывает не только форму фермента, но и его функциональные свойства — устойчивость и способность взаимодействовать с целевыми молекулами. Такие подходы могут ускорить поиск ферментов для разложения других типов пластиков, где классические методы молекулярного дизайна оказываются бессильны.