AI駆動型酵素エンジニアリングソリューション

問い合わせ

AI支援設計およびデータ駆動型エンジニアリングにより、酵素探索、最適化、ならびにバイオ触媒開発を加速します。

なぜ酵素エンジニアリングにAIが必要なのか？

従来の酵素エンジニアリングには、探索および最適化の速度とスケールを制限する本質的な課題があります。

スクリーニング効率の低さ

従来手法では、可能な酵素バリアントのごく一部しかスクリーニングできず、広大な配列空間が未探索のまま残ります。

膨大な配列空間

配列の組合せ数は実験キャパシティを桁違いに上回り、網羅的探索は現実的ではありません。

構造—機能に関する知見の限界

配列から機能への関係性の理解は、合理的な酵素設計における主要課題であり続けています。

長い最適化サイクル

反復的なウェットラボでの最適化には、所望の結果を得るまでに数か月を要し、市場投入までの期間を遅らせます。

当社のAIテクノロジー・エコシステム

単なるアルゴリズムではなく、配列インテリジェンスからウェットラボ検証までを包含する包括的ツールキットです。

AIガイド型タンパク質インテリジェンス・プラットフォーム

配列解析、構造モデリング、MLによるランキング、ならびにウェットラボからのフィードバックを単一のインテリジェントシステムに統合し、酵素エンジニアリングをエンドツーエンドで実現する統合計算エンジンです。

配列解析

AI駆動の配列解析、アラインメント、特徴量抽出

構造モデリング

酵素の3D構造予測および結合ポケット解析

MLランキング

ガウス過程およびニューラルネットワークに基づく適応度予測

ウェットラボ統合

実験フィードバックループを用いたアクティブラーニング

ソリューション全体像

酵素エンジニアリングの全パイプラインをカバーする、相互に連携した4つのソリューション領域。

ソリューション	概要	価格
AIガイド型酵素探索	配列データベースおよびメタゲノムライブラリからの新規酵素のAIガイド型マイニング。活性予測および新規フォールド検出を含みます。	お問い合わせ
AIガイド型酵素最適化	耐熱性、基質適用範囲、ならびにエナンチオ選択性に対し、MLガイド型変異戦略を用いて標的特性を強化します。
AI支援指向性進化	インテリジェントなライブラリ設計とハイスループットスクリーニング統合により、進化ワークフローを加速します。
生成AIによる酵素設計	生成AIモデルを用い、非天然反応および基質に対するde novo酵素を創製します。

AI統合ワークフロー

AI統合型酵素エンジニアリング・ワークフロー

適用領域

AI酵素エンジニアリングは、多様な産業分野でインパクトをもたらします。

医薬品

酵素を用いた原薬（API）合成、キラル中間体製造、ならびにバイオ触媒プロセスルートの最適化。

工業用酵素

バルク酵素製造におけるプロセス最適化およびコスト低減。

食品・飲料

加工性および製品品質の向上に資する新規食品グレード酵素。

合成生物学

バイオセンサー開発および代謝経路エンジニアリング。

グリーンケミストリー

環境負荷を低減した、持続可能なバイオ触媒プロセス開発。

診断

診断アッセイおよび検出システム向けの高性能酵素。

注目のAI活用事例

Reac-Discovery：AI駆動型触媒リアクター設計プラットフォーム

AIガイド型配列マイニングによる新規加水分解酵素の探索図1. Reac-Discovery：連続フロー触媒リアクターの探索および最適化のための人工知能駆動型プラットフォーム。（Tinajero et al., 2025）

Reac-Discoveryは、人工知能、数理モデリング、3Dプリンティング、ならびに自律実験を組み合わせ、触媒リアクター開発を加速する統合デジタルプラットフォームです。本システムは、周期的オープンセル構造（POC）を用いたパラメトリックリアクター設計のReac-Gen、高解像度リアクター製造および触媒機能化のReac-Fab、ならびにリアルタイムNMRモニタリングと機械学習最適化を備えた自動マルチリアクター試験のReac-Evalという、相互連携する3つのモジュールで構成されます。サイズ、レベル、解像度などのトポロジー・パラメータを制御することで、高度にチューニング可能なリアクター形状と詳細な構造記述子を生成します。アセトフェノン水素化およびCO₂環化付加のケーススタディでは、固定化触媒を用いた三相CO₂変換における記録的に高い時空間収率を含む、卓越した触媒性能が示されました。

HbA1c選択的検出のためのFPOX改変

ML指向性進化による耐熱性リパーゼのエンジニアリング図2. 野生型FPOXとFru-ValHis（a）およびFru-Lys（b）との相互作用の模式図。（Shahbazmohammadi et al., 2019）

本研究では、糖尿病検査で用いられる診断用酵素であるフルクトシルペプチドオキシダーゼ（FPOX）を改変し、ヘモグロビンA1c（HbA1c）の選択的検出能を向上させました。構造解析、分子モデリング、ならびに変異導入により、基質特異性に影響する重要なアミノ酸残基を同定しました。Tyr261Trp変異体は、HbA1cモデル基質であるFru-ValHisに対する選好性が有意に増強される一方、測定を妨害し得るFru-Lysに対する活性が大幅に低下しました。実験的特性評価により、Fru-ValHisに対して比活性が5.1倍、触媒効率が11.7倍向上し、同時にFru-Lysに対しては大幅な低下が確認されました。これらの結果は、改変FPOXバリアントが血液診断におけるHbA1cのより正確な定量に向けた有望な候補であることを示しています。

よくあるご質問（FAQ）

Q：酵素エンジニアリングには、どのようなAI手法を用いますか？

A：配列埋め込み（sequence embeddings）、AlphaFoldによる構造予測、ガウス過程最適化、変分オートエンコーダ（VAE）、ならびにトランスフォーマーベースの生成モデルを活用します。具体的なアプローチは、探索、最適化、またはde novo設計といったプロジェクト目的に応じて選定します。
Q：開始にあたり、既存の酵素データは必要ですか？

A：必須ではありません。探索プロジェクトでは公開データベースをマイニングします。最適化では、小規模データセット（20～50バリアント）でも十分です。また、ウェットラボでのスクリーニングにより学習データを生成することも可能です。
Q：AIは従来の指向性進化と比べてどう違いますか？

A：AIガイド型アプローチでは、一般に実験ラウンド数を3～5倍削減できます。MLモデルが、ランダム変異導入に依存するのではなく、標的特性の改善可能性が高い変異をインテリジェントに提案します。
Q：どのような成果物を受領できますか？

A：優先度付けした変異リストまたは設計配列、モデル性能レポート、構造解析結果、実験検証データ、ならびに推奨事項を含む包括的なプロジェクト報告書をご提供します。
Q：一般的なAI酵素プロジェクトの期間はどのくらいですか？

A：予測のみのプロジェクトは2～4週間。ウェットラボ検証を伴う最適化は2～3か月。探索から最適化までのフルプログラムは4～6か月です。
Q：独自（プロプライエタリ）酵素配列にも対応できますか？

A：もちろん可能です。厳格な秘密保持契約（NDA）の下で運用します。独自データはセキュアな環境で取り扱い、プロジェクト範囲外へ共有することは一切ありません。

References:

Tinajero C, Zanatta M, Sánchez-Velandia JE, García-Verdugo E, Sans V. Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization. Nat Commun. 2025;16(1):9062. doi:10.1038/s41467-025-64127-1
Shahbazmohammadi H, Sardari S, Lari A, Omidinia E. Engineering an efficient mutant of Eupenicillium terrenum fructosyl peptide oxidase for the specific determination of hemoglobin A1c. Appl Microbiol Biotechnol. 2019;103(4):1725-1735. doi:10.1007/s00253-018-9529-9

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：

メール *

電話:

会社/機関:

国または地域:

数量：

サービスと製品に興味があります *

プロジェクトの説明：