AI支援型酵素探索

問い合わせ

Creative Enzymesは、先進的な人工知能（AI）を活用し、膨大な配列データベースから新規酵素の同定および機能特性評価を加速します。当社のAIガイド型ディスカバリープラットフォームは、ゲノム／メタゲノムの生データを検証済みバイオ触媒候補へと変換し、実験負荷を低減するとともに開発期間を短縮します。

探索における課題

従来の酵素探索には、研究および産業応用の進展を制限する重大なボトルネックが存在します：

巨大な配列データベース

未特性のタンパク質配列が数百万規模で存在し、従来のスクリーニング手法では対応しきれません。

機能不明

大半の配列は機能アノテーションや実験的検証が付与されていません。

アノテーション精度の低さ

自動予測では酵素活性の誤割り当てが生じやすく、コスト高の手戻りにつながります。

実験負荷

候補酵素のラボスクリーニングは依然として労働集約的で、スループットも限定的です。

これらの課題に対しては、ベンチワーク開始前に探索空間を絞り込む「計算主導（computational-first）」の戦略が求められます。

AI支援ディスカバリープラットフォーム

当社の統合プラットフォームは、機械学習と構造バイオインフォマティクスを組み合わせ、酵素候補を体系的に探索・予測・優先順位付けします：

配列マイニング

公開／独自データベースを深層スキャンし、未特性の相同配列および遠縁の関連配列を同定します。

モチーフ解析

機能ファミリーを規定する保存的な触媒シグネチャーおよび結合部位パターンを認識します。

ホモロジーモデリング

三次元構造予測により、活性部位アーキテクチャおよび基質アクセス性を評価します。

基質予測

AI駆動のドッキングおよび結合親和性スコアリングにより、基質範囲と特異性を予測します。

機能クラスタリング

特徴量の類似性に基づき、配列を推定活性グループへ教師なし分類します。

これらのモジュールを統合することで、信頼度スコアを付した候補リストを順位付けして提供し、下流の検証に向けた合理的な候補選定を可能にします。

サービス範囲

当社のAIガイド型酵素探索サービスは、以下の2つの専門的な下流ワークフローに直結します：

サービス	概要	価格
AI支援酵素マイニング＆機能アノテーション	配列の包括的取得、ドメインアーキテクチャ解析、ならびに手動の専門家レビュー（キュレーション）を伴う自動機能割り当てを提供します。	お問い合わせ
AIガイド型基質＆活性予測	基質ライブラリのin silicoスクリーニング、活性プロファイリング、ならびに速度論パラメータ推定により、実験の優先順位付けを支援します。	お問い合わせ

ワークフロー

AIガイド型酵素探索ワークフロー

1. データベースマイニング： UniProt、GenBank、メタゲノムアセンブリ、およびカスタムリポジトリから標的配列を体系的に抽出します。

2. 配列解析： 多重配列アラインメント、系統プロファイリング、ドメイン分解により、進化学的・構造的コンテキストを確立します。

3. AIによる機能予測： 機械学習により、酵素活性、補因子要件、細胞内局在を分類・予測します。

4. 候補の順位付け： 予測活性、構造信頼性、新規性、発現可能性を統合した多基準スコアリングを実施します。

5. 実験的検証： 組換え発現および標準化アッセイパネルにより、予測活性をウェットラボで確認します。

適用領域

当社のAIガイド型ディスカバリープラットフォームは、多様な研究開発目的を支援します：

産業用バイオ触媒

グリーンケミストリーおよびプロセス開発に適した高堅牢性酵素を同定します。

治療用酵素の探索

明確な薬理学的標的を有する、ヒト適合性酵素の探索（マイニング）を行います。

環境浄化

汚染物質分解および廃棄物処理に資する分解酵素を探索します。

食品・飼料添加物

栄養価、保存性、または加工効率を向上させる酵素をスクリーニングします。

スペシャリティケミカル

高付加価値変換を卓越した選択性で触媒する酵素をターゲット探索します。

プロジェクト例

高度なシトシン塩基エディターのAIガイド型探索

図1．3Dタンパク質構造に基づくシチジンデアミナーゼのクラスタリング。（Xu et al., 2024）

本研究では、シトシン塩基編集に向けて改良型シチジンデアミナーゼを探索するAI支援パイプラインを開発しました。研究者らは、相同性検索により同定した1,483種のデアミナーゼについてAlphaFold2で三次元構造を予測し、構造類似性に基づいてクラスタリングしました。各クラスターから代表候補を選定し、C→T編集性能を実験的に評価しました。新規同定された複数のデアミナーゼは、多様なDNA配列コンテキストにおいて高い編集効率を示し、オンターゲット／オフターゲット比の改善も認められました。さらに、一部のバリアントは二本鎖切断を生じさせることなく、哺乳類遺伝子への効率的な終止コドン導入を可能にしました。加えて、構造指向の残基エンジニアリングによりオフターゲット効果が低減され、AI駆動の構造解析と機械学習が、遺伝子編集技術の精度および治療応用ポテンシャルを拡張し得ることが示されました。

AIベースの酵素機能予測のためのEnzymeExplorer

図2．キュレーション済みデータセットとワークフロー概要。（Samusevich et al., 2024）

本研究は、急速に拡大するゲノムデータベースにおける未特性酵素の機能アノテーションを改善するために設計された機械学習パイプライン「EnzymeExplorer」を紹介しています。本プラットフォームは、アラインメントに基づく構造ドメイン解析とタンパク質言語モデルを組み合わせ、高精度に酵素機能を予測します。研究者らは、配列情報のみから生成物推定が困難な難易度の高い酵素ファミリーであるテルペン合成酵素に本手法を適用しました。EnzymeExplorerは、これまで未知であった構造ドメインを同定し、最先端の予測性能を達成しました。UniRef90データベースの解析により、見落とされていた多数のテルペン合成酵素が明らかとなり、古細菌における広範なテルペノイド生合成に関与する酵素を含め、実験的に検証されました。本研究は、ゲノム／メタゲノムデータセットに存在する酵素「ダークマター」を探索するための強力なAI駆動フレームワークを実証しています。

よくあるご質問（FAQ）

Q：どの配列データベースにアクセスしますか？

A：UniProt、NCBI GenBank、JGI IMG/M、および公開されているメタゲノムアセンブリを定常的に検索します。適切な秘密保持契約（NDA）下で、独自のプロプライエタリデータベースの統合にも対応可能です。
Q：AIによる機能予測の精度はどの程度ですか？

A：予測精度は酵素ファミリーおよび利用可能なデータ量に依存します。十分にデータが蓄積されたファミリーでは、活性予測精度は85%を超えます。新規または遠縁の相同配列については、信頼度スコアを提示し、段階的な実験検証を推奨します。
Q：納品物は何ですか？

A：各プロジェクトでは、配列アラインメント、構造モデル、機能予測、推奨検証アッセイを含む、順位付けされた候補レポートを納品します。ご要望に応じて、確認試験用の発現コンストラクトおよび精製タンパク質も提供可能です。
Q：指向性進化と統合できますか？

A：はい。AIで探索した候補は、指向性進化キャンペーンの優れた出発点となります。探索からエンジニアリング／最適化サービスへのシームレスな移行を提供します。
Q：一般的なプロジェクト期間はどのくらいですか？

A：in silicoでの探索および順位付けには通常4～6週間を要します。実験的検証は、発現系およびアッセイの複雑性に応じて6～10週間が追加されます。
Q：データの機密性はどのように取り扱いますか？

A：クライアントの配列、構造、結果は、厳格な機密保持および知的財産（IP）に関する契約の下で保護されます。当社は業界標準のデータセキュリティプロトコルに準拠して運用しています。

References:

Xu K, Feng H, Zhang H, et al. Structure-guided discovery of highly efficient cytidine deaminases with sequence-context independence. Nat Biomed Eng. 2024;9(1):93-108. doi:10.1038/s41551-024-01220-8
Samusevich R, Hebra T, Bushuiev R, et al. Structure-enabled enzyme function prediction unveils elusive terpenoid biosynthesis in Archaea. Preprint posted online January 31, 2024. doi:10.1101/2024.01.29.577750

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：