Главный вывод такой:
- Василенко: AI-guided design родопсинов уже активно существует. Новизна должна быть не «применили ИИ», а prospective experiment: предсказали конкретные мутации → сделали их → проверили спектр и функцию → по результатам сделали второй дизайн.
- Власов: и membrane targeting, и AI-анализ микроскопии уже существуют. Интересное свободное место — замкнутый цикл construct → microscopy → quantitative AI phenotype → redesign → function на конкретном вирусном родопсине.
- Шишкин: ML-классификация SAXS, Bayesian optimization и даже ultra-swollen lipidic phases уже существуют. Но сочетание уникальной FABPEG-системы МФТИ + SAXS + конкретный мембранный белок + active learning, выбирающий следующий эксперимент, выглядит наиболее оригинально.
Важно: «ещё не сделано» ниже означает «я не нашёл убедительной публикации с именно такой комбинацией задачи в проведённом поиске», а не формальное доказательство мировой новизны. Перед статьёй/патентом потребуется отдельный систематический поиск.
—
I. ВАСИЛЕНКО
AI-guided рациональный дизайн родопсинов + эксперимент
Текущая линия МФТИ уже очень удачно располагается для следующего шага: в работе Василенко 2026 года ML-модель примерно на 800 родопсинах использована для выделения позиций, способных давать красные/синие спектральные варианты при сохранении функции. (Конференция МФТИ)
Что уже сделали в мире
| Работа | Что сделали | Что это «закрывает» | Что остаётся для МФТИ |
|---|
| Inoue et al., Communications Biology, 2021 | ML + Bayesian experimental design. Из 3022 природных ion-pump rhodopsins отобрали 65; у 39 измерили спектр, 32 дали red shift | Нельзя заявлять новизной «ML выбирает красносмещённые родопсины для проверки» | Работать с направленными мутациями конкретного белка, а не искать природные последовательности (Nature) |
| ChRmine structures, Nature Communications, 2022 | Cryo-EM структура + structure-guided mutations; получили варианты с изменённой кинетикой канала | Structure-guided engineering channelrhodopsins уже зрелая концепция | Совместить структуру с AI-ranking и prospective validation конкретных мутаций (Nature) |
| MrHR/SyHR, Scientific Reports, 2022 | Направленные мутации изменили способность родопсина транспортировать sulfate | Изменение ионной селективности мутагенезом уже демонстрировалось | Одновременно оптимизировать спектр + транспортную функцию, а не одно свойство (Nature) |
| RhoMax, JCIM, 2024 | AlphaFold2 + geometric DL для λmax. Набор: 75 WT, с мутантами 884 последовательности. WT и его мутанты держали в одном train/test split во избежание leakage | Простое «DL предсказывает λmax» уже точно не новая тема | Проверять Δλ конкретной мутации, generalization на новый WT, uncertainty и функцию (PubMed Central (PMC)) |
| ProMEP, Cell Research, 2024, Китай | Sequence+structure model обучена на 160 млн белков; zero-shot mutation prediction; модель реально использовали для wet-lab engineering TnpB/TadA | Нельзя утверждать, что только специализированная модель родопсинов умеет выбирать полезные мутации | Интересен benchmark специализированной модели Василенко против general protein models именно на rhodopsins (Nature) |
| μProtein, Nature Machine Intelligence, 2025, Microsoft/Китай | Protein LM + reinforcement learning; по single-mutant данным находили полезные multi-mutants; проверено wet-lab на β-lactamase | RL/AI-search пространства многоточечных мутантов сам по себе уже не нов | Проверить, переносится ли подобная стратегия на retinal protein с несколькими одновременно оптимизируемыми свойствами (Nature) |
| Chrimson colour tuning, Chemical Communications, 2025 | MD + QM/MM объясняют физическую природу красного спектрального сдвига и эффект S169A | Одного статистического ML недостаточно для претензии на понимание механизма | Соединить AI prediction с физически интерпретируемым retinal-pocket mechanism (ScienceDirect) |
| AI-enabled rhodopsin design, bioRxiv, 2026 | Уже сгенерированы неприродные blue-shifted rhodopsins: GA + ML + sequence filter; 4 варианта экспериментально подтвердили 410 нм и функцию | Даже «AI создаёт искусственный spectral rhodopsin» уже заявлено | Это пока препринт, но он резко повышает планку: МФТИ нужен более конкретный mechanistic/multiobjective вопрос (BioRxiv) |
Что из этого следует
Первоначальная тема
«ML-предсказание спектрального сдвига родопсинов»
уже слишком поздняя.
Даже тема
«ИИ предлагает мутации, которые потом экспериментально проверяются»
к августу 2026 года уже недостаточно уникальна: июньский препринт 2026 буквально демонстрирует AI → artificial rhodopsin → wet-lab validation. (BioRxiv)
—
Где я вижу настоящую нишу для Василенко
Вариант V1 — лучший
«Prospective comparison of specialized and foundation AI models for multi-objective engineering of microbial rhodopsins»
На нормальном русском:
«Сравнение специализированных и универсальных AI-моделей для рационального дизайна спектрально-модифицированных микробных родопсинов с экспериментальной валидацией»
Не обучать ещё одну нейросеть.
Взять:
- модель Василенко;
- RhoMax;
- general mutation predictor вроде ProMEP/Protein LM;
- простой физически интерпретируемый baseline.
Каждая модель независимо ранжирует мутации.
После этого выбрать, например:
2 consensus mutations + 2 mutations, по которым модели расходятся + controls.
И сделать их wet-lab.
Это значительно интереснее.
—
Вариант V2 — на мой взгляд, ещё сильнее
«Многокритериальный дизайн родопсина: спектральный сдвиг при сохранении транспортной функции»
То есть модель должна искать не максимальный red shift.
Нужно найти Pareto optimum:
[\Delta\lambda \uparrow]
при одновременно:
[\text{expression} \not\downarrow]
[\text{transport activity} \not\downarrow]
и желательно:
[\text{stability} \not\downarrow]