AI支援スクリーニングおよびバリアント予測

スクリーニングにおける課題

従来の指向性進化では、実務上、いかなる研究施設でも評価しきれない数の変異体が生成されます。

これらの課題は、単にスクリーニング速度を上げるだけでは解決しません。ベンチに到達する前に有望な変異体を同定する、計算科学的な事前フィルタリングが必要です。

AI駆動型予測プラットフォーム

統合スクリーニング・ワークフロー

対応可能なエンジニアリング目標

関連スクリーニングサービス

AI支援による変異体予測を補完するため、優先付けされた酵素変異体の実験的検証として、ハイスループット酵素スクリーニング、活性アッセイ、安定性スクリーニング、基質プロファイリング、ならびに生化学的特性解析サービスを提供しています。

• 酵素スクリーニング
• 酵素活性測定
• 基質スクリーニングおよび同定

使用シナリオ例

エナンチオ選択的エポキシド加水分解酵素の計算設計

図1. 計算酵素設計とHTMI-MDの統合により触媒選択性を再設計するために開発されたCASCOフレームワーク。計算設計には、望ましくない基質結合様式を防ぐための立体障害の導入が含まれる。（Wijma et al., 2015）

本研究では、高度にエナンチオ選択的なエポキシド加水分解酵素を工学的に創製するための計算戦略CASCO（computational designによる触媒選択性：catalytic selectivity by computational design）が提示されています。本アプローチは、合理的変異設計、基質結合の立体制御、ならびにハイスループット分子動力学シミュレーションを組み合わせ、基質配向を所望の反応経路へ誘導します。リモネンエポキシド加水分解酵素をモデル酵素として、研究者らは、高度にエナンチオ濃縮された（S,S）-ジオールおよび（R,R）-ジオールを選択的に生成可能な小規模変異ライブラリーを設計しました。特筆すべきことに、実験的にわずか37変異体をスクリーニングしただけで、高い立体選択性を有する酵素変異体が同定されました。これらの結果は、計算酵素設計が実験負荷を大幅に低減しつつ、合成化学および産業用バイオ触媒に向けて、所望のエナンチオ選択性を付与したバイオ触媒を効率的に創出できることを示しています。

FAQs

• Q: AIは実験スクリーニングを置き換えますか？

  A: いいえ。AIはスクリーニングすべき変異体の優先順位付けを行い、実験評価が必要な数を大幅に削減します。残る候補についてはウェットラボでの検証が必要ですが、一般にヒット率を維持または改善しつつ、スクリーニング負荷を90%以上低減できます。

• Q: 予測精度はどの程度ですか？

  A: 精度は、酵素ファミリー、ターゲット特性、利用可能な学習データにより異なります。十分に特性が解明された酵素クラスでは、上位予測の実験確認率は70～85%に達します。新規ファミリーでは探索的要素が増しますが、それでもランダム選択を大きく上回ります。すべての予測には、キャリブレーション済みの信頼度スコアが付与されます。

• Q: 必要な入力データは何ですか？

  A: 配列ベース予測器では、変異体配列のみで十分です。構造を考慮したスコアリングでは、親酵素の立体構造またはホモロジーモデルがあると精度が向上します。関連プロジェクトの過去スクリーニングデータが利用可能な場合、転移学習により予測品質がさらに向上します。

• Q: ライブラリー設計サービスと統合できますか？

  A: はい。AI-Guided Mutant Library Designで設計されたライブラリーは、スクリーニング予測プラットフォームへ直接入力できる形式で提供されます。これにより、インテリジェント設計からインテリジェント・スクリーニングまでのシームレスなパイプラインが構築されます。

• Q: 予測が外れた場合はどうなりますか？

  A: 予測不一致は解析され、モデルの限界を特定するとともに、学習データを更新します。このフィードバックループは本サービスの中核です。お客様には、成功例・失敗例の双方を含む予測精度の透明性あるレポーティングを提供し、モデル改善に資する情報を共有します。

• Q: スクリーニング優先順位はどれくらいの期間で作成できますか？

  A: 最大10⁴変異体のライブラリーは数日でスコアリングが完了します。10⁵～10⁶変異体のライブラリーでは1～2週間を要します。結果はランキングリストとして提供され、カスタム優先順位付けのためのフィルタリングツールも併せて提供します。