AI支援による発現および溶解性の最適化

問い合わせ

Creative Enzymesは、機械学習および配列エンジニアリングを適用し、異種発現における発現収量、可溶性画分、および分泌効率を最大化します。当社プラットフォームは、コンストラクト合成前にコドン使用バイアス、ミスフォールディング傾向、凝集しやすい領域、ならびに宿主不適合性を同定・解消し、遺伝子から精製タンパク質取得までの期間とコストを低減します。

発現のボトルネック

異種発現では、研究用途または製造スケールに十分な機能性酵素が得られないことが少なくありません。代表的なボトルネックは以下のとおりです。

コドン使用バイアスの不一致

標的遺伝子中の希少コドンにより、発現宿主で翻訳停止、フレームシフト、または早期終結が生じる。

凝集しやすい領域

疎水性ストレッチやアミロイド形成配列が、封入体形成または不可逆的オリゴマー化を誘導する。

可溶性収量の低さ

総発現量に対する正しくフォールディングしたタンパク質の割合が低く、精製コストが増大する。

分泌効率の低さ

最適化されていないシグナルペプチド、膜透過の障壁、またはフォールディング品質管理による排除により、細胞外への蓄積が制限される。

宿主毒性

酵素活性または過剰発現負荷により宿主の生存性が損なわれ、バイオマス収量が低下する。

これらのボトルネックは、配列特徴および宿主特異的制約から予測可能であることが多く、事後的なトラブルシューティングではなく、事前のエンジニアリングを可能にします。

AIガイド下の配列最適化

当社プラットフォームは、発現性能を規定する配列レベルの4要因を標的とします。

コドン使用

翻訳速度、mRNA安定性、およびtRNA存在量のバランスを考慮した宿主適応型コドン最適化。モデルは局所的なコドン文脈効果を考慮し、極端なGC含量シフトを回避します。

凝集領域

フォールディング中またはフォールディング後の自己会合を駆動する疎水性パッチ、βシート形成傾向セグメント、ならびに電荷補完的界面の予測と破綻化。

可溶性予測

配列に基づく内在的可溶性のスコアリングにより、可溶化タグ融合または変異による緩和（softening）に適したN末端、C末端、および内部セグメントを同定します。

シグナルペプチド最適化

膜透過効率、シグナルペプチダーゼ切断の正確性、および標的タンパク質のフォールディング速度論との適合性について、天然および設計シグナル配列をin silicoでスクリーニングします。

各最適化ターゲットは、複数の宿主システムにわたる配列‐発現のペアデータセットで学習した予測モデルにより対応します。

宿主適合性解析

発現の成否は、タンパク質特性と宿主能力の適合に依存します。当社解析では以下を評価します。

プロテアーゼ感受性

宿主プロテアーゼの切断部位を同定し、防御的変異またはプロテアーゼ欠損宿主株を推奨

シャペロン需要

宿主のシャペロン容量に対するフォールディング複雑性を評価し、共発現戦略または宿主改変を提案

ジスルフィド結合要件

還元的な細胞質環境における非天然ジスルフィド形成を検出し、酸化的フォールディング宿主またはシステイン置換を推奨

翻訳後修飾ニーズ

糖鎖付加、リン酸化、その他の修飾要件をフラグ付けし、宿主選択の指針または修飾部位除去の必要性を提示

宿主適合性スコアリングにより、実験前に株選定およびプロセスパラメータ推奨を行います。

ワークフロー

AI-Assisted Expression & Solubility Optimization Workflow

1. 配列解析：標的遺伝子について、想定宿主におけるコドン使用バイアス、凝集傾向、可溶性スコア、およびシグナルペプチド効率を解析します。ベースラインの発現リスク要因を、収量への予測影響度に基づき順位付けします。

2. コンストラクト設計：AIモデルが、宿主適応型コドン使用、凝集領域の破綻化、ならびに任意の可溶化タグ融合を含む最適化コーディング配列を提案します。分泌を目的とする場合、シグナルペプチドを選定または設計します。

3. 宿主選定：適合性解析により、フォールディング要件、修飾ニーズ、およびスケールアップ制約に基づいて最適な発現系を推奨します。

4. ライブラリー構築：最適化コンストラクトを合成し、配列検証を実施します。代替シグナルペプチドや可溶化タグ配置を探索するため、小規模バリアントライブラリーを作製する場合があります。

5. 発現スクリーニング：推奨宿主へ形質転換し、総収量、可溶性画分、単量体純度、および生物活性を評価します。分泌産物は培養上清中で定量します。

6. 反復的改良：発現データにより、コドン最適化モデルおよび宿主適合性予測因子を更新します。性能が不十分なコンストラクトは原因解析のうえ、必要に応じて第2サイクルで再設計します。

ウェットラボ検証支援

配列最適化は、定量可能な発現アウトカムにより検証する必要があります。当社パイプラインでは、包括的な特性解析を提供します。

サービス	内容
収量定量	デンシトメトリー、ELISA、または活性アッセイにより総タンパク質および可溶性タンパク質収量を定量し、バイオマスまたは培養容量で正規化
可溶性プロファイリング	可溶性／不溶性画分の分画、ならびに封入体形態およびリフォールディング可能性の分析評価
単量体純度	サイズ排除クロマトグラフィーおよびネイティブPAGEにより、オリゴマー状態と凝集体不在を確認
分泌効率	細胞外産物と細胞内産物の定量、ならびにN末端シーケンシングによるシグナルペプチド切断の検証
活性確認	可溶性または分泌画分の機能アッセイにより、配列改変が触媒能を損なっていないことを確認
スケールアップ評価	培養容量を増加させた条件で発現再現性を予備評価し、プロセス移管リスクを同定

検証結果はコンストラクトの順位付けに反映され、下流の精製およびプロセス開発の指針となります。

ケーススタディ

機械学習による酵素の可溶性および活性の最適化

Machine learning model assisted optimization of protein solubility 図1．機械学習モデル支援によるタンパク質可溶性の最適化。（Han et al., 2020）

本研究では、短鎖ペプチドタグ設計を通じて酵素の可溶性および触媒性能を改善する、機械学習ベースの最適化戦略が開発されました。タンパク質配列と可溶性データで学習したサポートベクター回帰モデルを用い、研究者らは反復最適化アルゴリズムを適用して、タンパク質可溶性を向上させると予測されるペプチドタグを進化的に設計しました。実験検証の結果、タグ付加酵素は可溶性および活性が有意に改善しました。特にチロシンアンモニアリアーゼでは、可溶性が2倍超に増加し、活性は250%増加しました。さらに2種類の酵素でも可溶性の向上が認められました。本成果は、タンパク質活性の代理指標として可溶性を用いた計算最適化が、代謝工学およびバイオテクノロジー用途における酵素エンジニアリングを加速し得ることを示しています。

FAQs

Q: 対応可能な宿主はどれですか？

A: E. coli、Pichia pastoris、Saccharomyces cerevisiae、哺乳類細胞（CHO、HEK293）、およびバキュロウイルス‐昆虫細胞系です。
Q: 細胞内発現だけでなく分泌も最適化できますか？

A: はい。シグナルペプチド選定、膜透過最適化、ならびにフォールディング品質管理のエンジニアリングは、分泌指向設計に統合された要素です。
Q: 特定の収量改善を保証しますか？

A: 定量的レポーティングを伴う最適化ワークフローの厳格な実行を保証します。具体的な収量目標は、プロジェクトのマイルストーンとして設定します。
Q: 発現最適化バリアントを、活性や安定性のためにさらに改変できますか？

A: はい。発現最適化済みスキャフォールドは、その後の触媒改変または安定化エンジニアリングの堅牢な出発点となり、多目的スコアリングによる同時最適化も可能です。
Q: 標準的なタイムラインはどの程度ですか？

A: 設計‐試験サイクルあたり6～10週間です。多くのプロジェクトは2サイクル以内に目標発現に到達します。
Q: 精製タンパク質の提供は可能ですか？

A: はい。検証済みバリアントについて、追加サービスとして精製品を提供可能です。

References:

Han X, Ning W, Ma X, Wang X, Zhou K. Improving protein solubility and activity by introducing small peptide tags designed with machine learning models. Metabolic Engineering Communications. 2020;11:e00138. doi:10.1016/j.mec.2020.e00138

名：

姓：

メール *

電話：

会社/機関：

国または地域：

数量：

興味のあるサービスと製品 *

プロジェクトの説明：

研究および産業用途にのみご使用ください。個人医療用途には適していません。一部の食品グレード製品は、食品および関連用途における処方開発に適しています。

サービス

オンラインお問い合わせ

名：

姓：