Первый абзац обязуется быть и серьёзным, и улыбнуть читателя: если бы CRISPR был курьером, PAM — это тот самый капризный почтовый индекс, который иногда меняется по настроению, а Protein2PAM оказался справочным GPS, который учит курьера ориентироваться на новых улицах. Эта работа — не просто очередной научный отчёт, а почти детектив про то, как язык белков (да‑да, у них тоже есть свой словарь) помогает перенастроить молекулы‑ножницы.
Protein2PAM — модель, обученная на более чем 45 000 примерах соответствия Cas ↔ PAM, способная предсказывать, какие PAM предпочтёт конкретный Cas для разных классов систем (I, II, V). Без громоздких структурных расчётов модель через «in silico» мутагенез оценивает вклад отдельных аминокислот в узнавание PAM — и попадает в яблочко. Авторы даже виртуально «эволюционировали» Nme1Cas9: полученные варианты расширили спектр распознаваемых PAM и в некоторых экспериментах продемонстрировали до 50‑кратного роста клива в пробирке.
Что особенно радует: работа демонстрирует открытую науку — данные и веса модели лежат на Hugging Face, код доступен на GitHub, а веб‑сервис Protein2PAM позволяет оперативно получать предсказания. Это делает метод доступным не только для крупных лабораторий, но и для коллективов в университетах и биотех‑стартапах. Международная команда включала и российских учёных, например Андрея Новичкова — напоминание, что российская наука вносит заметный вклад в мировую биоинформатику и протеиновое моделирование.
Практический смысл прост: меньше ограничений PAM — больше вариантов таргетинга, более гибкое и персонализированное редактирование генома. В мире, где каждая буква ДНК может стать терапевтической подсказкой, такие инструменты похожи на волшебный фонарик, освещающий новые возможности. Ссылка на первоисточник: https://www.nature.com/articles/s41587-025-02995-0.