生成AIによる酵素設計

問い合わせ

AI誘導による配列および構造生成を通じて、次世代バイオ触媒を設計します。

Generative AI Enzyme Design

なぜ生成型酵素設計なのか

従来の酵素工学では、変異導入や指向性進化により既存の天然配列を改変します。このアプローチは出発スキャフォールドの進化史に制約されており、多くの望ましい特性は、既知のいかなる酵素においても到達可能な配列空間の外側に存在します。

生成AIはこの境界を超えます。配列と構造・機能を結び付ける統計的パターンを学習することで、生成モデルは自然界には存在しない全く新規の酵素を提案できます。これらのde novo設計は進化的前例に拘束されません。特定の触媒タスク、環境条件、あるいは製造要件（GMP適合性等）といった、天然酵素が遭遇したことのない条件に対して、第一原理に基づき最適化することが可能です。

進化依存型から生成型設計への転換は、バイオ触媒として実現可能な範囲を根本的に拡張します。

生成型設計の提供能力

De Novo酵素生成

指定した触媒活性部位を有し、安定な構造へフォールディングすると予測される新規酵素配列を創出します。設計は既知ホモログに由来せず、酵素アーキテクチャの学習原理に基づいて生成されます。

活性部位エンジニアリング

非天然基質への適合、代替反応機構、または新規補因子依存性に対応するため、触媒中心を精密に再設計します。生成モデルは、進化が探索してこなかった残基組合せを提案します。

配列多様化

機能性スキャフォールド周辺に広範なバリアントライブラリを生成し、飽和変異導入では到達できない配列空間を探索します。多様性は予測機能に基づき計算的に事前フィルタリングされます。

スキャフォールド再設計

触媒能を維持しつつ、新規ドメインの導入、オリゴマー状態の変更、またはアロステリック制御の再配線を目的として、既存酵素の構造を改変します。

AI設計ワークフロー

AI Design Workflow

1. プロンプト／標的機能：設計目的を機能記述として規定します（触媒反応、基質クラス、運転条件、構造制約など）。この仕様は生成プロンプトとして機能し、自然言語生成に類似しつつも、生化学的実現可能性に基づいて定義されます。

2. 生成モデリング：拡散モデル、変分オートエンコーダ、またはトランスフォーマーアーキテクチャにより、標的機能に条件付けた候補配列を生成します。モデルは指定活性を達成すると予測される配列分布からサンプリングし、数百～数千の候補を生成します。

3. 配列フィルタリング：生成配列を、発現可能性、フォールディング傾向、既知の有害モチーフの不在についてフィルタリングします。予測溶解性が低い、または凝集傾向が高い配列は、構造評価前に除外します。

4. 構造評価：フィルタリング後の候補について予測構造を作成し、活性部位ジオメトリ、基質アクセス性、全体フォールド品質を評価します。活性部位アーキテクチャが不合理な設計や構造不安定性が示唆される設計は破棄します。

5. 実験的検証：上位設計を合成し発現させます。機能アッセイにより予測活性を確認し、その結果をモデル改良へフィードバックして次ラウンドの設計に反映します。

サービス範囲

サービス	説明	価格
De Novo酵素エンジニアリング	天然バイオ触媒が存在しない反応に対する新規酵素の完全設計。活性部位仕様策定、スキャフォールド生成、実験的検証を含みます。	お問い合わせ
活性部位エンジニアリング	基質適用範囲、選択性、または反応機構の変更を目的として、既存またはde novoの触媒中心を精密に再設計します。
カスタムバイオ触媒	機能仕様策定から検証済み酵素の納品までを統合したサービス。生成型設計に最適化およびスケールアップ支援を組み合わせます。

適用分野

非天然反応の触媒化

生物学的前例のない変換反応に対応する酵素により、天然代謝を超えた持続可能な化学を実現します。

極限環境での稼働

高温、有機溶媒、または極端pHなど、天然酵素が不安定となる条件に対応するde novo設計。

治療用酵素エンジニアリング

臨床用途に向けたヒト化、または免疫学的にサイレントな酵素設計。

バイオセンサー／診断用酵素

分析用途およびPOC（ポイント・オブ・ケア）用途に向け、基質特異性を工学的に付与したシグナル生成酵素。

産業プロセスへの統合

製造適合性を前提にゼロから設計されたバイオ触媒：高濃度耐性、補因子非依存性、ならびに簡便な精製。

設計シナリオ例

ProGen：機能性タンパク質生成のための深層学習

Artificial protein generation with conditional language modeling 図1．条件付き言語モデリングによる人工タンパク質生成（Madani et al., 2023）

本研究では、多様なタンパク質ファミリーにわたり機能性タンパク質配列を生成可能な深層学習言語モデルProGenが紹介されています。19,000超のファミリーに属する2億8,000万件のタンパク質配列で学習したProGenは、制御タグによりタンパク質特性の生成を誘導し、性能向上のためにキュレーション済みデータセットでファインチューニングすることも可能です。本モデルは、ネイティブタンパク質との配列同一性が最小31.4%であるにもかかわらず、複数のリゾチームファミリーから、天然酵素に匹敵する触媒効率を有する人工タンパク質の生成に成功しました。さらに、コリスマートムターゼやリンゴ酸デヒドロゲナーゼを含む他の酵素ファミリーにも適用され、その汎用性が示されました。本成果は、言語モデルベースのAIがスケーラブルなタンパク質設計および酵素工学に有する可能性を示しています。

よくあるご質問（FAQ）

Q：生成型設計は指向性進化とどのように異なりますか？

A：指向性進化は、反復的な変異導入と選抜により既存の天然酵素を改変します。生成型設計は、学習された原理に基づいて新規配列を創出し、進化史に制約されません。両者は相補的であり、生成型設計は新規の出発点を提案し、その後に指向性進化で最適化することが可能です。
Q：de novo酵素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および機能特異性により変動します。機構要件が明確な十分に特性化された反応タイプでは、実験評価した設計の10～25%で検出可能な活性が認められます。新規反応や極端な仕様では成功率は低下しますが、反復的なモデル改良により向上します。各プロジェクトで得られるデータは学習データとなり、以降の設計精度を高めます。
Q：構造情報が一切なくても酵素を設計できますか？

A：可能です。生成モデルは主として配列および機能仕様に基づいて動作します。構造予測は下流の評価に用いられ、設計の前提条件ではありません。ただし、関連反応に関する構造データが利用可能であれば、設計精度は向上します。
Q：標準的なタイムラインはどのくらいですか？

A：計算設計および配列生成に3～4か月、上位候補の実験的検証に2～3か月を要します。仕様策定から検証済み酵素の取得までのフルプロジェクトは、通常6～9か月です。
Q：設計配列の知的財産（IP）は誰に帰属しますか？

A：当社ではありません。設計配列および関連データはすべてクライアントの資産です。Creative Enzymesは、標準的な秘密保持契約およびIP譲渡（帰属）契約に基づき業務を遂行します。
Q：生成設計はさらに最適化できますか？

A：可能です。検証済みde novo酵素は、指向性進化または合理的最適化の優れた出発点となります。新規の配列空間には、天然スキャフォールドからは得られない最適化経路が含まれることが多くあります。

References:

Madani A, Krause B, Greene ER, et al. Large language models generate functional protein sequences across diverse families. Nat Biotechnol. 2023;41(8):1099-1106. doi:10.1038/s41587-022-01618-2

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：