AI主導型酵素最適化

問い合わせ

Creative Enzymesは、機械学習（ML）および構造モデリングを適用し、既存酵素の性能を体系的に向上させます。野生型バイオ触媒、特性が最適化されていない市販酵素、あるいは従来の進化工学で改良が頭打ちとなった変異体を出発点とする場合でも、当社プラットフォームはインパクトの大きい変異を同定し、製造実装（production-ready）レベルの性能到達までの期間を短縮します。本サービスは、酵素工学における最も付加価値の高い領域—すなわち、新規探索からの再構築ではなく、既に妥当性が検証された配列から最大限の有用性を引き出すこと—に対応します。

最適化における課題

酵素の産業実装では、天然配列が提供する性能を上回る要件が常態的に求められます。代表的な制約は以下のとおりです。

活性

特に製造スケールで要求される基質濃度や温度条件下において、触媒回転数がプロセス経済性を満たさない。

特異性

望ましくない副反応、広すぎる基質範囲による製品純度の低下、または近縁基質間の識別不能。

安定性

熱失活、有機溶媒による変性、または保管・運転サイクル中の凝集により、プロセス成立性が低下する。

発現

異種宿主での低収量、封入体形成、または分泌効率不良により、製造コストが増大し下流工程が複雑化する。

各課題には固有の最適化戦略が必要です。当社プラットフォームは、対象特性に応じて適切な計算アプローチを適用し、無指向性スクリーニングの非効率を回避します。

AI駆動型最適化プラットフォーム

本プラットフォームは、各ラウンドの変異体設計をガイドする4つの計算モジュールを統合しています。

変異ホットスポット予測

共進化統計、B因子解析、分子シミュレーション由来の動的柔軟性指標を用い、機能影響確率の高い部位を同定します。

構造—機能解析

触媒機構、基質トラジェクトリ、アロステリックネットワークを3次元モデル上にマッピングし、フォールドを不安定化させずに活性を調整する変異を優先順位付けします。

MLスコアリング

実験的変異導入データセットで学習したアンサンブル予測器により、単一変異および組合せ変異が活性・安定性・発現に与える影響を推定します。

インシリコ・スクリーニング

数千〜数百万の変異体配列を仮想評価し、競合する最適化目標のバランスを取る多特性目的関数によりランキングします。

これらのモジュールは反復的に運用され、各実験ラウンドでモデルパラメータを更新し、次ラウンド設計に向けた予測精度を向上させます。

最適化カテゴリ

本サービスは、単独または組み合わせて実施可能な3つの最適化トラックで構成されています。

サービス	概要	価格
活性＆特異性	触媒回転数の向上、ミカエリス定数の低減、基質範囲の狭小化または拡張、ならびにエナンチオ選択性／位置選択性の調整。	お問い合わせ
安定性＆開発適性	耐熱性の向上、極端pHおよびカオトロピック剤に対する耐性向上、凝集傾向の低減、ならびに製剤条件下での保存安定性（シェルフライフ）の延長。
発現＆可溶性	異種発現収量の増加、可溶性画分の増大、シグナルペプチドおよびコドン使用の最適化、ならびにタンパク質分解（プロテアーゼ）による劣化の低減。

統合DBTLワークフロー

Design-Build-Test-Learn（DBTL）サイクルは、本最適化サービスの運用中核です。各反復で予測と検証のフィードバックループを短縮し、優れた変異体へ段階的に収束させます。

AI-Guided Enzyme Optimization Workflow

1. Design（設計）： ホットスポット同定およびML誘導による変異体ランキング。ライブラリ規模は、対象特性、スクリーニング能力、プロジェクト期間に合わせて調整します。

2. Build（構築）： 上位候補変異体を発現コンストラクトとして合成し、発現前に配列検証を実施します。

3. Test（評価）： 関連するプロセス条件下で対象特性を測定する標準化アッセイを実施します。各変異体は親酵素に対してベンチマーク評価されます。

4. Learn（学習）： 実験結果によりMLモデルを精緻化し、予測重みを更新し、次のDesign反復に反映します。通常、3〜4回のDBTLサイクルで、ベースラインから製造実装レベルの性能へ到達します。

代表例

バイオディーゼル製造に使用される産業用リパーゼは、メタノール耐性が低く、アルコール高濃度の反応混合物における転換効率が制限されていました。親酵素は、50%メタノール中で2時間後に活性が20%未満しか残存しませんでした。

Design（設計）： 構造—機能解析により、共溶媒シェルと相互作用する表面ループ領域が主要な安定性決定因子であることが示されました。MLスコアリングにより、疎水性コアのパッキングを強化し、溶媒露出疎水性表面積を低減すると予測される384種の単一置換変異体をランキングしました。

Build（構築）： 上位48種の変異体からなるフォーカスド・ライブラリを合成し、Pichia pastorisで発現させました。

Test（評価）： メタノール曝露後の残存活性アッセイにより、親酵素を上回る12種の変異体を同定しました。リード変異体は同一条件下で残存活性65%を示しました。

Learn（学習）： リード変異体の構造モデリングにより、初期モデルでは予測されなかった安定化塩橋の形成とループパッキングの強化が示されました。この知見を第2ラウンド設計に組み込みました。

第2サイクル： リード変異に加え、3つの追加表面安定化変異を組み合わせた組合せライブラリにより、残存活性82%を示し、トリグリセリド基質に対する触媒効率は不変の変異体を取得しました。最適化リパーゼは、プロジェクト開始から5か月以内にパイロットスケール発酵へ移管されました。

よくあるご質問（FAQ）

Q: どのような開始材料が必要ですか？

A: 精製済みまたは部分的に特性評価された酵素、発現コンストラクト、または既知の活性を有する配列のいずれかで十分です。構造情報があるとプロセスは加速しますが、必須ではありません。
Q: 通常、DBTLサイクルは何回必要ですか？

A: 中程度の改善（2〜5倍）では3〜4サイクル、複数特性を含む大幅な再設計では5〜6サイクルが目安です。
Q: 複数の特性を同時に最適化できますか？

A: はい。多目的最適化ではパレートフロント解析により競合する目標のバランスを取ります。トレードオフは定量的に評価し、各サイクルでお客様と協議します。
Q: 対応している発現宿主は何ですか？

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—昆虫細胞系に対応しています。
Q: 典型的な期間はどの程度ですか？

A: 3〜4回のDBTLサイクルを含む最適化プログラム一式で4〜6か月が目安です。サイクル時間を短縮した迅速対応トラックもご用意しています。
Q: 特定の性能向上を保証しますか？

A: 定量的報告を伴うDBTLワークフローの厳格な実行を保証します。具体的な性能目標はプロジェクトのマイルストンとして合意し、得られたデータに基づき目標達成が困難と判断される場合は、透明性をもって速やかに共有します。
Q: 貴社の探索サービスと統合できますか？

A: はい。AI-Guided Enzyme Discoveryで同定された酵素は、最適化プログラムへ直接移行でき、配列同定から製造実装可能なバイオ触媒までをシームレスに接続するパイプラインを構築できます。

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 *