酵素基質の計算設計およびシミュレーション

問い合わせ

計算手法は、実験検証に先立って酵素—基質相互作用を予測することで、基質探索を加速できます。Creative Enzymesは、構造モデリング、分子ドッキング、予測解析を統合し、基質同定を効率化する一体型の計算設計・シミュレーションサービスを提供します。

酵素基質の計算設計およびシミュレーションの背景

計算設計およびシミュレーションは、基質スクリーニングおよび同定の統合ワークフローにおける第4段階であり、重要性が増しています。本フェーズでは、in silicoツールを活用して実験プロセスを合理化・精緻化・加速し、未加工データを意思決定に資する実用的インテリジェンスへと転換します。

酵素基質の計算設計およびシミュレーション（Barruetabeña 2019；Pérez-Rodríguez 2016より改変）

ワークフローにおける位置づけ

本ステップは単独で機能するものではなく、全体プロセスの中で強力なブリッジおよびフィードバックループとして機能します。

ステップ1（技術支援・初期評価）：酵素挙動に関する初期実験データを提供し、計算モデルの構築・更新に資する情報を付与します。
ステップ2（ライブラリ構築）：予測された基質—酵素相互作用に基づき、焦点化された合理的ライブラリの設計を支援します。
ステップ3（HTS・スクリーニング）：HTS結果を解析して構造活性相関（SAR）を同定し、検証対象ヒットの優先順位付けを行います。
ステップ4（計算設計）：これまでの全データを用いて最適基質を予測・最適化し、実験と理論のループを閉じます。

ワークフローへの主要な貢献

事前スクリーニング指針（HTS前）：酵素の3D構造を用い、デジタル化合物ライブラリのバーチャルスクリーニングにより有望基質のサブセットを優先抽出し、物理的HTSライブラリへの組み込み候補を絞り込むことで、スクリーニングの効率と費用対効果を高めます。
事後スクリーニング解析（HTS後）：HTSで活性「ヒット」が得られた場合、分子ドッキングおよび分子動力学（MD）シミュレーションにより、ヒットが活性を示す機序を説明します。これにより、主要な結合相互作用を特定し、偽陽性やプロミスキャス（非特異的）バインダーを除外します。
ヒットからリードへの最適化（Hit-to-Lead）：最有望基質について、計算ツールによりアナログを設計・評価し、結合親和性（K_M低下）または触媒回転（k_cat上昇）を改善し、最終的にk_cat/K_Mの最大化を目指します。これにより、合成および検証に向けた最適候補のショートリストを作成し、時間とリソースを大幅に節減します。

計算設計およびシミュレーションは、基質同定プロセスの総仕上げ（キャップストーン）です。「最良の基質」の選定が単なる経験的観察にとどまらず、酵素—基質相互作用に関する合理的かつ機序的理解に裏付けられることを保証します。計算能力と実験データを統合することで、研究開発（R&D）パイプラインのリスクを低減し、サイクルタイムを短縮し、より堅牢で特性評価の行き届いた最終成果を提供します。

提供サービス

当社の計算モデリングおよびシミュレーションサービスは、基質探索と最適化を加速するための、費用対効果に優れたデータドリブンなアプローチを提供します。分子モデリング、ドッキング、動的シミュレーションを統合することで、酵素—基質相互作用を高い確度で予測し、実験における試行錯誤を低減するとともに、合理的な実験設計を支援します。

主要機能

酵素—基質結合相互作用の分子ドッキングシミュレーション（Huら，2024）

分子ドッキングおよび結合解析

高度なドッキングアルゴリズムを用いて、候補基質が酵素の活性部位内でどのように相互作用するかを予測します。結合配向、水素結合、疎水性相互作用、立体適合性を解析し、有利な結合様式を同定します。

触媒活性を高める構造ベースの酵素設計（Xuら，2023）

構造ベースの基質設計

酵素の結晶構造または高品質なホモロジーモデルを活用し、結合親和性、触媒効率、または選択性を向上させた新規候補基質を設計します。

CerS2の分子動力学シミュレーションにより潜在的結合ポケットを同定（Zelnikら，2023）

分子動力学（MD）シミュレーション

酵素の柔軟性を捉えるため、基質結合に伴うコンフォメーション変化をシミュレーションします。これにより、誘導適合（induced fit）機構、遷移状態、条件差における安定性に関する洞察を提供します。

予測スコアリングとランキングを用いたde novo経路設計のワークフロー（Upadhyayら，2023）

予測スコアリングおよびランキング

候補基質を予測スコア関数（結合エネルギー、自由エネルギー計算、相互作用ネットワーク）で評価し、実験検証に向けて最も有望なヒットを優先順位付けします。

サービスワークフロー

酵素基質に対する計算設計・シミュレーションサービスのワークフロー図

お問い合わせ

Creative Enzymesが選ばれる理由

専門性の高い計算チーム

分子モデリング、ドッキング、シミュレーション技術に精通。

実験データとの統合

計算予測により、効率的なラボ試験をガイド。

機序的インサイト

結合相互作用およびコンフォメーション動態を可視化。

時間・コストの削減

実験における試行錯誤を低減。

カスタマイズ可能なモデリング

酵素タイプやプロジェクト目標に応じたワークフローを設計。

高い予測精度

最適化アルゴリズムにより候補選定の確度を向上。

ケーススタディ／成功事例

事例1：がん研究に向けたホスファターゼ基質のバーチャルスクリーニング

クライアントのニーズ：

腫瘍抑制に関与する可能性が示唆される新規ホスファターゼを研究する大学研究グループは、生化学的検証に向けた候補基質の同定を必要としていました。数千化合物の実験スクリーニングはコスト負担が大きく、時間も要する状況でした。

当社のアプローチ：

ホスファターゼ触媒ドメインのホモロジーモデルを構築し、約5,000種のリン酸化ペプチドおよびアナログ候補に対して分子ドッキングを実施しました。ドッキングスコアと結合相互作用を解析して基質適合性を予測し、上位候補にはMDシミュレーションを適用して、酵素のコンフォメーション変化および結合安定性を評価しました。

成果：

計算予測に基づき、実験検証に向けて高確度の基質15種を優先選定しました。後続の生化学アッセイにより、そのうち4種が当該酵素により効率的に脱リン酸化されることが確認されました。シミュレーションにより候補プールを絞り込むことで、ウェットラボ作業負荷を80%以上削減し、機序解明を支える信頼性の高い基質を同定しました。

事例2：産業用酵素エンジニアリングに向けた新規プロテアーゼ基質の設計

クライアントのニーズ：

産業用酵素企業は、食品加工における特異性向上を目的としてプロテアーゼ変異体のエンジニアリングを検討していました。従来の基質プロファイリングでは選択性に関する洞察が限定的であり、合理的変異導入（ラショナルミューテージェネシス）をガイドする新規基質設計が求められていました。

当社のアプローチ：

プロテアーゼの結晶構造を用い、P1およびP2'位に改変を加えたペプチドアナログをモデリングして、構造ベースの基質設計を実施しました。ドッキングおよびMDシミュレーションにより結合親和性と誘導適合に伴うコンフォメーション変化を評価し、結合自由エネルギーおよび活性部位内の相互作用パターンに基づく予測スコアリング・パイプラインで候補をランキングしました。

成果：

シミュレーションにより、より強い結合が予測され、切断ポテンシャルの向上が見込まれるペプチド基質群を同定しました。合成・評価の結果、設計基質2種が既存ベンチマークと比較して有意に高いターンオーバー率を示しました。本結果は、プロテアーゼのさらなる最適化に向けた明確な変異導入ターゲットをクライアントに提供し、開発期間の短縮と加工試験における酵素性能の向上に寄与しました。

FAQ—酵素基質の計算設計およびシミュレーション

Q：計算予測は実験結果と比べてどの程度正確ですか？

A：いかなるin silico手法も完全ではありませんが、当社のワークフローは分子ドッキング、MDシミュレーション、予測スコアリングを組み合わせることで信頼性を大幅に高めています。多くのケースで、計算予測により実験負荷を70～80%低減し、最も有望な基質にのみ注力できるよう支援します。
Q：計算解析を開始するために必要な入力データは何ですか？

A：理想的には、対象酵素の結晶構造またはクライオ電子顕微鏡（cryo-EM）構造を使用します。入手できない場合は、配列データに基づいて高品質なホモロジーモデルを作成可能です。既知の基質嗜好性（利用可能な場合）は予測の精度向上に有用ですが、必須ではありません。
Q：完全に新規の基質を設計できますか、それとも既存基質の評価のみですか？

A：両方に対応可能です。天然または合成基質の大規模バーチャルライブラリをスクリーニングできるほか、構造ベース設計により、結合親和性、触媒効率、または選択性を改善した新規候補を創出します。
Q：計算による基質設計は、実験スクリーニングとどのように統合されますか？

A：計算予測はフィルターとして機能し、数千の候補基質を実行可能なショートリストへと絞り込みます。これらの候補は、当社の基質ライブラリ構築またはハイスループットスクリーニング（HTS）モジュールで評価でき、エンドツーエンドで効率的なワークフローを実現します。
Q：プロジェクトに計算設計を追加するメリットは何ですか？
A：主なメリットは以下のとおりです。
- ウェットラボ作業における試行錯誤を低減し、時間とコストを削減。
- 酵素の柔軟性、結合配向、誘導適合機構に関する機序的理解を獲得。
- 実験検証前に予測スコアリングでヒットを優先順位付け。
- 明確な構造的知見に基づき、変異導入や阻害剤設計をガイドする合理的エンジニアリングを可能化。
Q：どのような酵素が計算による基質設計の恩恵を最も受けますか？

A：本サービスは酵素クラス全般に有用ですが、特に基質特異性が重要なキナーゼ、ホスファターゼ、プロテアーゼで高い価値を発揮します。また、新規または特性情報が限られた酵素に対しても有効で、実験ライブラリのみでは真の結合嗜好性を捉えにくい場合に有用です。
Q：計算結果はどのように提供されますか？

A：ドッキングスコア、結合様式、フォローアップ試験に向けたランキング済み基質候補を含む詳細レポートを提供します。

参考文献：

Barruetabeña N, Alonso-Lerma B, Galera-Prat A, et al. Resurrection of efficient Precambrian endoglucanases for lignocellulosic biomass hydrolysis. Commun Chem. 2019;2(1):76. doi:10.1038/s42004-019-0176-6
Hu L, Luo R, Wang D, Lin F, Xiao K, Kang Y. SERS-based microdroplet platform for high-throughput screening of Escherichia coli strains for the efficient biosynthesis of D-phenyllactic acid. Front Bioeng Biotechnol. 2024;12:1470830. doi:10.3389/fbioe.2024.1470830
Pérez-Rodríguez G, Gameiro D, Pérez-Pérez M, Lourenço A, Azevedo NF. Single molecule simulation of diffusion and enzyme kinetics. J Phys Chem B. 2016;120(16):3809-3820. doi:10.1021/acs.jpcb.5b12544
Upadhyay V, Boorla VS, Maranas CD. Rank-ordering of known enzymes as starting points for re-engineering novel substrate activity using a convolutional neural network. Metabolic Engineering. 2023;78:171-182. doi:10.1016/j.ymben.2023.06.001
Xu S, Zhou L, Xu Y, et al. Recent advances in structure‐based enzyme engineering for functional reconstruction. Biotech & Bioengineering. 2023;120(12):3427-3445. doi:10.1002/bit.28540
Zelnik ID, Mestre B, Weinstein JJ, et al. Computational design and molecular dynamics simulations suggest the mode of substrate binding in ceramide synthases. Nat Commun. 2023;14(1):2330. doi:10.1038/s41467-023-38047-x

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：