生成AIによるde novo酵素工学

問い合わせ

AIガイド下の配列・構造生成ワークフローにより、新規酵素候補を設計します。

なぜDe Novo設計なのか

天然酵素は、産業上の有用性ではなく生物学的適応のために、数十億年にわたる進化によって形作られてきました。この進化的背景は、天然由来バイオ触媒が達成し得る範囲に本質的な制約を課します。

天然酵素の限界

天然酵素の大半は未発見のままであり、同定・特性解析された酵素であっても、プロセスケミストリーに求められる特性（非生理条件下での堅牢性、高基質濃度への耐性、製造スケジュールとの整合性など）を欠くことが少なくありません。

狭い基質適用範囲

進化は酵素を本来の代謝機能に最適化しており、合成化学が要求する非天然基質に最適化しているわけではありません。従来の工学的改変で適用範囲を拡張するには時間を要し、活性部位の幾何学的制約にしばしば直面します。

触媒特性の不足

生体内では十分な回転数、選択性、安定性プロファイルであっても、産業導入に必要な経済性の閾値を下回ることが多々あります。

De novo設計は、進化史に拘束されることなく第一原理から酵素を創出することで、これらの制約を超克します。酵素が目的を規定するのではなく、設計目的が酵素を規定します。

生成AI設計プラットフォーム

配列生成

拡散モデルおよびトランスフォーマーベースのモデルにより、指定した機能ターゲットに条件付けしてアミノ酸配列を生成します。既存の天然ホモログからの探索ではなく、所望の触媒活性を達成すると予測されるタンパク質の学習分布から配列をサンプリングします。

構造生成

各候補配列について予測構造を生成し、全体フォールド品質、活性部位へのアクセス性、パッキングの整合性を評価します。非現実的なアーキテクチャや立体衝突を含む設計は、実験着手前に除外します。

機能モチーフ設計

触媒残基、結合ポケット、補因子配位圏を設計制約として指定し、生成スキャフォールドに埋め込みます。モデルは、機能モチーフが幾何学的に妥当な環境内に配置されることを担保します。

スキャフォールド最適化

生成スキャフォールドを、触媒モチーフを損なうことなく、発現性、溶解性、安定性の観点で精緻化します。表面電荷分布、ループ柔軟性、コアパッキングを、反復的な配列調整により最適化します。

触媒残基予測

機構が既知の標的反応については、遷移状態アナログおよび反応座標モデリングに基づき、触媒位置を占めるべき残基を予測します。新規反応については、探索的設計により多様な触媒化学をサンプリングします。

AI設計ワークフロー

AI Design Workflow

1. 標的機能：設計目的を、触媒反応、基質クラス、所望の選択性、運転環境として規定します。この機能仕様が生成制約として機能し、モデル出力を生化学的に実現可能な解へと誘導します。

2. 生成モデリング：AIモデルが配列空間をサンプリングし、標的機能を満たすと予測される候補酵素を生成します。数百～数千の候補を産出し、同一の触媒課題に対する多様なアーキテクチャ解を提示します。

3. 配列生成：生成配列を、予測される発現性、フォールディング傾向、凝集しやすい領域の不存在の観点でフィルタリングします。溶解性予測が低い配列や、コドン使用が不適合な配列は除外します。

4. 構造評価：予測構造を、活性部位幾何、基質ポケット体積、触媒残基の配置、全体フォールド安定性の観点で評価します。幾何学的に不合理な活性部位を有する設計は破棄します。

5. 候補選定：予測活性、安定性、発現性、構造信頼度を統合した複合スコアに基づき、上位候補を実験合成対象として選定します。多様なアーキテクチャの探索と、最高信頼度設計の活用のバランスを取ります。

想定されるエンジニアリング目標

新規活性

既知の生体触媒が存在しない反応に対する酵素を創出し、従来は酵素変換では到達できなかったバイオ触媒ルートを可能にします。

基質特異性

天然酵素では受容できない非天然基質に合わせて最適化した、de novo結合ポケットを設計します。

安定性向上

耐熱性、有機溶媒耐性、長い運転半減期を実現するよう、設計当初からスキャフォールドを構築します。

工業適用（製造適合性）

高濃度運転、補因子非依存、簡便な下流工程など、製造制約に適合するよう最適化した酵素を提供します。

実験的バリデーションサービス

AIで生成した酵素候補は、組換えタンパク質製造、構造特性解析、酵素活性解析、安定性試験の各サービスにより実験的に評価可能であり、de novo酵素エンジニアリングプロジェクトを支援します。

設計シナリオ例

De Novoタンパク質設計のための生成AI

Overview of computational protein design workflows and SARS-CoV-2 spike protein structure 図1. a）計算タンパク質設計ワークフローの概観。b）SARS-CoV-2スパイクタンパク質は三量体構造にフォールドし、ACE2結合のためにクローズド型とオープン型のコンフォメーションを切り替える。（Winnifrith et al., 2024）

本レビューは、人工知能がde novoタンパク質設計をどのように変革しているかを概説し、自然界に存在するものを超える所望の構造・機能を備えた新規タンパク質の生成を可能にしている点を示しています。言語モデル、拡散モデル、グラフニューラルネットワークを含む最新の生成モデルは、タンパク質空間における妥当な領域を探索し、実験的成功率が20%に迫る高い水準でタンパク質を設計できるようになりつつあります。配列ベースのアプローチは主として大規模言語モデルに依拠し、構造ベースの手法は拡散モデルを重視します。これらのAIシステムは、プログラム可能な制約条件または自然言語による指示を用いて、指定特性を持つタンパク質を生成できます。大きな進展がある一方で、実験成功の予測、動的タンパク質の設計、翻訳後修飾などの制御機構の組込みといった課題は依然として残されています。

よくあるご質問（FAQ）

Q: AIは完全に新しい酵素を生成できますか？

A: はい。生成モデルは、天然データベースに存在せず、既知のホモログに由来しない配列を作成します。これらは真に新規のタンパク質であり、進化的系譜ではなく、配列・構造・機能相関の学習原理に基づいて設計されます。
Q: De novo設計には既存テンプレートが必要ですか？

A: いいえ。de novo設計の本質は、天然テンプレートからの独立性にあります。設計制約は、反応タイプ、基質特性、運転条件といった機能要件として規定され、既存酵素への参照を必要としません。ただし、関連反応に関する構造情報や機構情報が利用可能な場合、それらを追加制約として組み込むことで設計精度を向上させることができます。
Q: 候補はどのように評価されますか？

A: 候補は多段階のフィルタリングパイプラインを通過します。すなわち、配列レベルでの発現性・溶解性の予測、構造レベルでのフォールド品質・活性部位幾何の評価、機能レベルでの触媒成立性の推定です。上位候補は実験合成および機能スクリーニングへ進みます。実験的バリデーション結果はモデル改良へフィードバックされ、以降の設計サイクルの性能を向上させます。
Q: De novo設計の成功率はどの程度ですか？

A: 成功率は、設計の複雑性、機能特異性、関連する生成モデルの成熟度に依存します。機構要件が明確な十分に特性解析された反応タイプでは、実験評価した候補の一定割合で検出可能な活性が確認されます。真に新規の活性では成功率は低下しますが、モデルが学習データを蓄積するにつれて反復ごとに改善します。
Q: 典型的な期間はどのくらいですか？

A: 計算生成およびフィルタリングに2～3か月を要します。上位候補の実験合成、発現、スクリーニングにさらに2～3か月を要します。機能仕様の策定から新規酵素のバリデーション完了まで、プロジェクト全体で通常5～7か月です。
Q: De novo酵素はさらに最適化できますか？

A: はい。バリデートされたde novo設計は、指向性進化、合理的設計、安定性最適化の出発点として活用できます。新規の配列アーキテクチャは、天然スキャフォールドでは得られない最適化軌道を提供することが少なくありません。

References:

Winnifrith A, Outeiral C, Hie BL. Generative artificial intelligence for de novo protein design. Current Opinion in Structural Biology. 2024;86:102794. doi:10.1016/j.sbi.2024.102794

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：