KI kreiert Enzym, das Plastik in Rekordzeit zersetzt

Künstliche Intelligenz kann dazu beitragen, Lösungen für den Umweltschutz zu finden - vor allem im Bereich des Recyclings und der Zersetzung von Kunststoffen. Ingenieure und Wissenschaftler sowie Wissenschaftlerinnen der Universität von Texas in Austin haben ein Enzym mit "übernatürlichen" Kräften entwickelt. Das Protein wurde im Labor mithilfe von maschinellem Lernen entwickelt und ist in der Lage, PET-Verpackungen in nur einer Woche fast vollständig abzubauen. Normalerweise dauert es Jahrhunderte, bis das Material zersetzt ist.

Wiederverwendung von Kunststoffen auf molekularer Ebene

In ihrem in der Zeitschrift Nature veröffentlichten Artikel erklären die Forschenden, dass ihr Enzym namens FAST-PETase auch in der Lage ist, einen zirkulären Prozess durchzuführen, bei dem das Plastik in kleinere Bestandteile zerlegt wird (Depolymerisation) und dann chemisch wieder zusammengesetzt wird (Repolymerisation). Das Ganze geschieht bei einer Temperatur von weniger als 50 Grad Celsius. "Bisher war es noch niemandem gelungen herauszufinden, wie man Enzyme herstellt, die bei niedrigen Temperaturen effizient arbeiten können, um sie dann im grossen industriellen Massstab sowohl tragbar als auch erschwinglich zu machen", so die Universität von Texas in Austin in ihrer Pressemitteilung. Die neue Substanz katalysiert chemische Reaktionen und hat somit das Potenzial, das Recycling in grossem Massstab anzukurbeln, indem Kunststoffe auf molekularer Ebene zurückgewonnen und wiederverwendet werden. FAST-PETase ist zudem vielversprechend für die Durchführung von Umweltsanierungen. Das Forscherteam untersucht nun eine Reihe von Möglichkeiten, um mithilfe dieses künstlichen Proteins verschmutzte Standorte zu säubern.

Fünf Mutationen eines natürlichen Enzyms

FAST-PETase ist eine mutierte Version (bestehend aus fünf Mutationen) des in der Natur vorkommenden Enzyms PETase, das ebenfalls in der Lage ist, PET abzubauen - allerdings nicht so schnell. FAST-PETase wurde mithilfe eines Machine-Learning-Algorithmus erstellt, der Mutationen des natürlichen Enzyms auswählte und vorhersagte, welche Mutationen das Ziel der schnellen Depolymerisation bei niedrigen Temperaturen erreichen würden. "Diese Arbeit zeigt wirklich das Potenzial der Zusammenführung verschiedener Disziplinen, von der synthetischen Biologie über die Chemietechnik bis hin zur künstlichen Intelligenz", sagte Andrew Ellington, Professor am Center for Systems and Synthetic Biology, dessen Team die Entwicklung des maschinellen Lernmodells leitete.