KI-gestützte gerichtete Evolution

Einschränkungen der traditionellen gerichteten Evolution

Die gerichtete Evolution steht vor einem grundlegenden Skalierungsproblem: der Explosion der Bibliotheksgröße. Das Targeting von fünf Positionen mit allen 20 Aminosäuren erzeugt 3,2 Millionen Kombinationen – weit jenseits einer praktikablen Screening-Kapazität. Forschende müssen entweder die Diversität künstlich begrenzen oder akzeptieren, dass die meisten Varianten niemals evaluiert werden.

Zusätzliche Einschränkungen verschärfen diese Herausforderung:

Diese Einschränkungen sprechen für eine rechnergestützte Ebene, die den Suchraum vor der experimentellen Festlegung intelligent eingrenzt.

ML-gestützte Plattform für gerichtete Evolution

Unsere Plattform integriert drei ML-basierte Module, die das Bibliotheksdesign von zufallsbasiert zu rational transformieren:

Die Plattform ist über Enzymklassen und Optimierungsziele hinweg einsetzbar – von der Verbesserung einer einzelnen Eigenschaft bis zur multiobjektiven Balance.

Workflow

1. Charakterisierung des Elternenzyms: Sequenz, Struktur (falls verfügbar), kinetisches Profil und bekannte Limitationen. Basisdaten kalibrieren die Modellerwartungen und definieren die Optimierungsziele.

2. Mutationsmodellierung: Rechnergestützte Identifizierung von Hotspot-Positionen und Wahrscheinlichkeiten vorteilhafter Substitutionen. Strukturanalysen kartieren die Geometrie des aktiven Zentrums, dynamische Regionen und stabilitätsbestimmende Kontakte. ML-Modelle prognostizieren Mutationswirkungen auf Ziel-Eigenschaften.

3. ML-Ranking: Ensemble-Scoring ordnet Mutationen und Kombinationen nach der prognostizierten Verbesserungsstärke. Top-gerankte Varianten werden für die Bibliotheksaufnahme ausgewählt; Grenzfälle werden für gestuftes Testen markiert.

4. Fokussierte Bibliothek: Synthese von 50–500 Varianten, die die Designs mit der höchsten Konfidenz repräsentieren. Die Bibliothekszusammensetzung balanciert Exploration (diverse Mutationstypen) und Exploitation (hoch bewertete Kombinationen).

5. Screening: Standardisierte Assays messen Ziel-Eigenschaften unter relevanten Bedingungen. Varianten werden gegen die Elternleistung gebenchmarkt und auf unbeabsichtigte Trade-offs bewertet.

6. Lerniteration: Screening-Ergebnisse verfeinern die ML-Modellgewichte, aktualisieren Hotspot-Definitionen und informieren den nächsten Designzyklus. Typischerweise konvergieren 3–4 Iterationen zu Varianten, die die Projektziele übertreffen.

Teilleistungen

Unser Service ist in drei Optimierungs-Tracks organisiert, die unabhängig oder kombiniert umgesetzt werden können:

Verwandte Services zur gerichteten Evolution

Unsere KI-gestützte Plattform für gerichtete Evolution kann in traditionelle Workflows der gerichteten Evolution integriert werden, einschließlich Mutantenbibliothekskonstruktion, zufälliger und ortsgerichteter Mutagenese, Hochdurchsatz-Screening sowie iterativer Enzymoptimierung zur beschleunigten Variantenentwicklung.

• Enzym-Engineering mittels gerichteter Evolution
• Enzym-Engineering mittels ortsgerichteter Mutagenese
• Enzym-Engineering mittels Zufallsmutagenese und DNA-Shuffling
• Phage Display und mRNA Display für Enzym-Engineering

Beispiel-Cases

Maschinelles Lernen-gestützte gerichtete Evolution für chirale Biokatalyse

Abbildung 1. Überblick zur Gewinnung von Mutanten mit hoher Diastereoselektivität für Tetrabenazin mittels traditioneller gerichteter Evolution und ML-gestützter gerichteter Evolution. (Huang et al., 2024)

Diese Studie evaluierte die maschinelles Lernen-gestützte gerichtete Evolution als schnellere Strategie für das Engineering von Biokatalysatoren, die in der chiralen pharmazeutischen Synthese eingesetzt werden. Unter Verwendung der Ketoreduktase BsSDR10 aus Bacillus subtilis als Modellenzym verglichen die Forschenden die traditionelle gerichtete Evolution mit einer ML-geleiteten Optimierung für die stereoselektive Reduktion von Tetrabenazin. Beide Ansätze identifizierten erfolgreich Enzymvarianten mit deutlich verbesserter Diastereoselektivität gegenüber den gewünschten Dihydrotetrabenazin-Isomeren. Der optimierte biokatalytische Prozess wurde erfolgreich skaliert und erreichte eine isolierte Ausbeute von 40,7 % sowie eine Diastereoselektivität von 91,3 % für das Zielprodukt. Die Studie unterstreicht das Potenzial von maschinellem Lernen, das Protein-Engineering zu beschleunigen, größere Sequenzräume effizient zu explorieren und die Entwicklung hochselektiver Enzyme für die pharmazeutische Herstellung zu unterstützen.

FAQs

• F: Worin unterscheidet sich dies von der traditionellen gerichteten Evolution?

  A: Traditionelle Ansätze basieren auf Zufallsmutagenese und Hochdurchsatz-Screening von Millionen Varianten. Unsere Plattform führt eine rechnergestützte Vorselektion von Mutationen durch, reduziert die Bibliotheksgrößen um den Faktor 100–1000 und verbessert zugleich die Trefferquoten sowie die Konvergenzgeschwindigkeit.

• F: Was ist, wenn ich keine Kristallstruktur habe?

  A: Homologiemodelle werden routinemäßig eingesetzt und sind für die meisten Anwendungen ausreichend. Strukturelle Informationen erhöhen die Vorhersagegenauigkeit, sind jedoch nicht zwingend erforderlich.

• F: Wie viele Varianten umfasst eine typische fokussierte Bibliothek?

  A: 50–500 Varianten, abhängig von Projektumfang, Screening-Kapazität und Komplexität des Optimierungsziels.

• F: Können Sie mehrere Eigenschaften gleichzeitig optimieren?

  A: Ja. Multiobjektives Scoring balanciert konkurrierende Zielgrößen mittels Pareto-Optimierung, einschließlich expliziter Quantifizierung von Trade-offs.

• F: Wie ist der typische Zeitplan?

  A: 8–12 Wochen pro DBTL-Zyklus. Die meisten Projekte erreichen die Zielperformance innerhalb von 3–4 Zyklen.

• F: Kann ich dies mit Ihren Discovery-Services integrieren?

  A: Ja. Enzyme, die über KI-gestützte Enzym-Discovery identifiziert werden, können direkt in Kampagnen der gerichteten Evolution überführt werden und ermöglichen so eine nahtlose Pipeline von der Sequenzidentifizierung bis zum optimierten Biokatalysator.