AI設計によるカスタムバイオ触媒

問い合わせ

特定の産業用途および合成用途に最適化した、用途特化型バイオ触媒を開発します。

なぜカスタムバイオ触媒なのか

天然酵素は産業プロセスではなく生体機能のために進化してきました。この進化的ミスマッチにより、以下のような恒常的な制約が生じます。

産業条件との非適合

天然酵素は生理的温度、pH、イオン強度で機能します。一方、製造条件では高温、有機共溶媒、極端なpHなどが求められることが多く、これらは野生型酵素の変性や失活を引き起こします。

基質制約

進化は、宿主生物内に存在する代謝物に対して酵素を最適化します。産業用基質は天然基質と構造的に異なる、より大型である、あるいは疎水性が高い場合が多く、結合不良や反応回転（ターンオーバー）の低下を招きます。

安定性の限界

プロセス条件下での運転安定性（連続反応器運転、凍結融解サイクル、長期保管など）は、多くの天然酵素に課されてきた進化的圧力を上回ります。迅速な失活は触媒コストを押し上げ、プロセス設計を複雑化させます。

カスタムバイオ触媒設計では、当初からターゲット用途を設計目的として明確化することで、これらのミスマッチを解消します。プロセスを酵素に合わせるのではなく、酵素をプロセスに合わせて設計します。

AI支援バイオ触媒設計プラットフォーム

基質指向設計

標的基質を受容できるよう、活性部位の幾何学形状および結合ポケット特性を規定します。基質アナログをポケット内でモデリングし、立体障害、電子的相補性、触媒に最適な配向を同定します。

安定性エンジニアリング

表面電荷の再分配、コアパッキングの改善、ループの剛直化により、耐熱性、有機溶媒耐性、凝集傾向を予測・最適化します。安定性は後付けではなく、活性と同時に共最適化します。

プロセス適合性の最適化

高濃度の基質・生成物、補酵素再生系、固定化化学、精製プロトコルなど、製造上の制約との整合性を前提に酵素を設計します。プロセスパラメータが設計判断に反映されます。

触媒効率の向上

遷移状態の安定化、生成物放出の加速、プロトンリレーネットワークの最適化により、回転数および基質親和性を改善します。効率目標はプロセス経済性に基づきキャリブレーションされます。

多パラメータ最適化

単一の特性が支配的とは限りません。AIモデルは、パレート最適化により、活性と安定性、特異性とプロミスキュイティ（基質許容性）、発現収量とフォールディング複雑性といった競合目標のバランスを取ります。出力は、顧客評価のための最適トレードオフを代表する設計案のセットです。

カスタマイズエンジニアリング・ワークフロー

Customized Engineering Workflow

1. 用途要件定義：標的プロセスを特性付けします。反応タイプ、基質・生成物の構造、運転条件、純度要件、経済的制約を整理し、これらの仕様が最適化ランドスケープを規定します。

2. 目標特性解析：プロセスへの影響度に基づき重要特性を順位付けします。活性、安定性、特異性、発現を、閾値および相対優先度を定義した最適化ターゲットとして定量化します。

3. AIガイド設計：計算モデルにより、目標特性プロファイルを満たすと予測される候補配列を生成します。設計は、天然スキャフォールドの改変からde novo生成配列まで、多様なアーキテクチャ解を包含します。

4. 候補最適化：上位候補を反復モデリングにより精緻化します（活性部位調整、安定性予測、発現最適化）。出力は、実験評価に向けた絞り込み済みバリアント群です。

5. 検証および反復：設計バリアントを発現・精製し、プロセス関連条件下で特性評価します。結果により予測を検証／反証し、成功設計はスケールアップへ移行します。性能不十分な設計は、次反復に向けたモデル改良にフィードバックされます。

適用領域

医薬品合成

キラル中間体製造向けのエナンチオ選択的バイオ触媒により、当量試薬およびクロマト分割への依存を低減します。

グリーンケミストリー

溶媒耐性および補酵素効率に優れた酵素により、有害な化学触媒を、水系・常圧のバイオトランスフォーメーションへ置換します。

食品バイオテクノロジー

食品グレード条件下で、原料改質、賞味期限延長、栄養価向上を実現するプロセス安定性の高い酵素を提供します。

スペシャリティケミカル

化学法では位置選択性や立体制御が困難な複雑分子合成に対し、高選択性バイオ触媒を提供します。

ユースケース例

Pinal：言語ガイド型de novoタンパク質設計

Overview of Pinal 図1：Pinalの概要（Dai et al., 2024）

本研究では、自然言語による指示を用いてタンパク質生成を誘導する、de novoタンパク質設計のための確率的フレームワーク「Pinal」を紹介します。配列を直接生成する従来の深層学習アプローチとは異なり、Pinalは2段階戦略を採用します。まずテキスト記述からタンパク質構造を生成し、次に構造および言語入力の双方に条件付けして配列を設計します。より小さい構造探索空間に焦点を当てることで、設計効率と多様性が向上します。実験結果では、PinalはESM3を含む既存のタンパク質設計モデルを上回り、学習分布外の新規タンパク質構造にも良好に一般化することが示されました。本アプローチは、柔軟かつ制御可能なタンパク質エンジニアリングにおける言語ガイド型AIシステムの可能性が拡大していることを示しています。

新規タンパク質フォールド設計のためのgcWGAN

De novo protein design for novel folds using guided conditional wasserstein generative adversarial networks 図2：ガイド付き条件付きWasserstein GANを用いた新規フォールドのde novoタンパク質設計（Karimi et al., 2020）

本研究は、任意かつ潜在的に新規な構造フォールドをとるタンパク質配列を設計するための半教師あり深層生成フレームワーク「gcWGAN」を提示します。条件付きWasserstein生成敵対ネットワークに基づき、低次元のフォールド表現、超高速の配列→フォールド予測器、ならびに構造アノテーションの有無を問わない配列データを用いた半教師あり学習を統合しています。条件付き変分オートエンコーダ等の競合モデルと比較して、gcWGANは未観測の100フォールドにわたり、より成功率が高く多様なタンパク質設計を生成し、対象構造のカバレッジは3.5倍に達しました。生成配列は物理的・生物学的に妥当であると予測され、最適化された設計シードおよび探索空間を提供することで、RosettaDesignのような従来のde novo設計手法の強化にも寄与し得ることが示されました。

なぜCreative Enzymesなのか

カスタマイズ支援

各プロジェクトは詳細な用途解析から開始します。設計ターゲットは標準テンプレートから一方的に適用するのではなく、協議の上で定義します。

統合ワークフロー

計算設計、遺伝子合成、発現、精製、特性評価を、単一窓口のプロジェクトマネジメントの下で一体化したパイプラインとして運用します。

ウェットラボによる検証

すべての設計は、想定用途に合致する条件下で実験的に検証します。実験的裏付けのない予測のみを最終成果として提供することはありません。

よくあるご質問（FAQ）

Q：特定の基質に対する酵素設計は可能ですか？

A：可能です。基質構造は主要な設計入力です。基質結合の幾何学をモデリングし、適合する触媒機構を同定した上で、標的分子に合わせて活性部位環境をエンジニアリングします。天然基質・非天然基質の双方に対応します。
Q：産業プロセス最適化にも対応していますか？

A：対応しています。温度、pH、溶媒組成、基質濃度、補酵素要件などのプロセスパラメータを、プロジェクト開始時点から設計制約として設定します。成果物は、プロセス適応を要する汎用酵素ではなく、お客様のプロセスに最適化されたバイオ触媒です。
Q：カスタムバイオ触媒は実験的に検証できますか？

A：可能です。実験的検証は任意ではなく、当社サービスの中核です。設計した全候補を発現させ、標的特性について特性評価します。検証データは最終バイオ触媒とともに提供し、不成功設計は解析して次反復の改善に活用します。
Q：一般的なプロジェクト期間はどの程度ですか？

A：中程度の複雑性ターゲットであれば、要件定義から検証済みバイオ触媒の提供まで通常4～6か月です。新規活性や極端な特性組合せの場合は8～10か月に延長することがあります。優先プロジェクト向けに短納期対応も可能です。
Q：スケールアップや製造にも対応しますか？

A：検証のための発現最適化および小スケール精製を提供します。製造量へのスケールアップおよび製造施設への技術移管は、提携ネットワークまたはお客様指定のCMOを通じて支援します。
Q：知的財産（IP）の帰属はどうなりますか？

A：設計配列、検証データ、および関連ノウハウはすべてお客様に帰属します。Creative Enzymesは、標準的な機密保持契約およびIP譲渡契約に基づき運用します。

References:

Dai F, You S, Zhu Y, et al. Toward de novo protein design from natural language. Preprint posted online August 2, 2024. doi:10.1101/2024.08.01.606258
Karimi M, Zhu S, Cao Y, Shen Y. De novo protein design for novel folds using guided conditional wasserstein generative adversarial networks. J Chem Inf Model. 2020;60(12):5667-5681. doi:10.1021/acs.jcim.0c00593

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：