AI支援型指向性進化

従来型指向性進化の限界

指向性進化には、根本的なスケーリング課題であるライブラリサイズの爆発が存在します。5つの部位を20種類すべてのアミノ酸で標的化すると、組合せは320万通りとなり、実用的なスクリーニング能力をはるかに超えます。研究者は、多様性を人為的に制限するか、あるいは大半のバリアントが評価されないことを受け入れざるを得ません。

さらに、以下の制約がこの課題を増幅させます：

これらの制約は、実験へのコミットメント前に探索空間を合理的に絞り込む計算層の必要性を示しています。

ML支援型 指向性進化プラットフォーム

当社プラットフォームは、ライブラリ設計をランダムから合理的設計へと転換する、ML駆動の3つのモジュールを統合しています：

本プラットフォームは、酵素クラスおよび最適化ターゲットを横断して適用可能であり、単一特性の強化から多目的最適化（バランシング）まで対応します。

ワークフロー

1. 親酵素の特性評価：配列、（利用可能であれば）構造、速度論プロファイル、および既知の制約を整理します。ベースラインデータによりモデル期待値を較正し、最適化目的を定義します。

2. 変異モデリング：ホットスポット部位および有益置換確率を計算的に同定します。構造解析により、活性部位ジオメトリ、動的領域、安定性決定性コンタクトをマッピングします。MLモデルが標的特性に対する変異影響を予測します。

3. MLランキング：アンサンブルスコアリングにより、変異およびその組合せを改善予測の大きさで順位付けします。上位バリアントをライブラリに採用し、境界的な予測は段階的試験の対象としてフラグ付けします。

4. フォーカスド・ライブラリ：信頼度の高い設計を代表する50～500バリアントを合成します。ライブラリ組成は、探索（多様な変異タイプ）と活用（高スコア組合せ）のバランスを取ります。

5. スクリーニング：標準化アッセイにより、関連条件下で標的特性を測定します。バリアントは親酵素性能に対してベンチマークされ、意図しないトレードオフの有無も評価します。

6. 学習の反復：スクリーニング結果に基づきMLモデルの重み付けを更新し、ホットスポット定義を改訂し、次の設計サイクルへ反映します。通常、3～4回の反復でプロジェクト目標を上回るバリアントに収束します。

サブサービス

当社サービスは、単独または組合せで実施可能な3つの最適化トラックで構成されています：

関連する指向性進化サービス

当社のAI支援型指向性進化プラットフォームは、変異体ライブラリ構築、ランダム変異導入および部位特異的変異導入、ハイスループットスクリーニング、反復的酵素最適化など、従来の指向性進化ワークフローと統合可能であり、バリアントエンジニアリングを加速します。

• 指向性進化による酵素エンジニアリング
• 部位特異的変異導入による酵素エンジニアリング
• ランダム変異導入およびDNAシャッフリングによる酵素エンジニアリング
• 酵素エンジニアリングのためのファージディスプレイおよびmRNAディスプレイ

事例

不斉バイオ触媒反応に向けた機械学習支援型指向性進化

図1．従来の指向性進化および機械学習支援型指向性進化を用いて、テトラベナジンに対する高ジアステレオ選択性変異体を取得する概略。（Huang et al., 2024）

本研究では、キラル医薬品合成に用いられるバイオ触媒のエンジニアリングを迅速化する戦略として、機械学習支援型指向性進化を評価しました。Bacillus subtilis由来ケト還元酵素BsSDR10をモデル酵素として、テトラベナジンの立体選択的還元における従来の指向性進化と、機械学習ガイド下の最適化を比較しました。いずれのアプローチでも、目的とするジヒドロテトラベナジン異性体に対するジアステレオ選択性が有意に向上した酵素バリアントが同定されました。最適化されたバイオ触媒プロセスはスケールアップにも成功し、目的生成物について分離収率40.7%およびジアステレオ選択性91.3%を達成しました。本研究は、機械学習がタンパク質工学を加速し、より大きな配列空間を効率的に探索し、医薬品製造に適した高選択的酵素の開発を支援し得ることを示しています。

よくあるご質問（FAQ）

• Q：従来の指向性進化と何が異なりますか？

  A：従来法は、ランダム変異導入と、数百万規模のバリアントに対するハイスループットスクリーニングに依存します。当社プラットフォームは変異を計算的に事前スクリーニングし、ライブラリサイズを100～1000倍縮小しつつ、ヒット率を向上させ、収束を加速します。

• Q：結晶構造がない場合はどうなりますか？

  A：相同性モデルは日常的に使用されており、多くの用途で十分です。構造情報は予測精度を高めますが、必須ではありません。

• Q：典型的なフォーカスド・ライブラリのバリアント数はどの程度ですか？

  A：プロジェクトのスコープ、スクリーニング能力、最適化ターゲットの複雑性に応じて、50～500バリアントです。

• Q：複数の特性を同時に最適化できますか？

  A：可能です。多目的スコアリングにより、パレート最適化を通じて競合するターゲットのバランスを取り、トレードオフを明示的に定量化します。

• Q：標準的なタイムラインはどの程度ですか？

  A：DBTLサイクルあたり8～12週間です。多くのプロジェクトは3～4サイクルで目標性能に到達します。

• Q：貴社のディスカバリーサービスと統合できますか？

  A：可能です。AIガイド酵素ディスカバリーで同定された酵素は、指向性進化キャンペーンへ直接移行でき、配列同定から最適化バイオ触媒までシームレスなパイプラインを構築できます。