KI-gestütztes Screening und Variantenprädiktion

Anfrage

Creative Enzymes setzt Machine Learning ein, um Varianten bereits vor dem experimentellen Screening zu priorisieren und die Nasslaborressourcen gezielt auf Kandidaten mit der höchsten Erfolgswahrscheinlichkeit zu fokussieren. Der Service überführt umfangreiche Mutantenpools in handhabbare, hochkonfidente Trefferlisten, senkt Screening-Kosten und beschleunigt Projektzeitpläne.

Herausforderungen beim Screening

Die klassische gerichtete Evolution erzeugt mehr Varianten, als ein Labor praktisch evaluieren kann:

Umfangreiche Variantenpools

Bibliotheken aus zufälliger Mutagenese und Rekombination überschreiten routinemäßig 10⁶ Mitglieder und überfordern selbst Hochdurchsatz-Screening-Infrastrukturen.

Niedrige Trefferquoten

Vorteilhafte Varianten machen in den meisten Bibliotheken <1 % aus; das bedeutet, dass für jede echte Verbesserung Tausende neutraler oder nachteiliger Mutanten verarbeitet werden.

Kostenintensive Screening-Kampagnen

Reagenzienverbrauch, analytische Kapazität und Personalaufwand skalieren mit der Bibliotheksgröße und treiben die Kosten unverhältnismäßig im Verhältnis zum Fortschritt in die Höhe.

Zeitaufwändige Validierung

Sekundäre Bestätigungen primärer Screening-Hits verlängern Zeitpläne um Wochen; zudem lassen sich viele Primärtreffer nicht reproduzieren, wodurch Folgeaufwände ohne Mehrwert entstehen.

Diese Herausforderungen lassen sich nicht allein durch schnelleres Screening lösen. Erforderlich ist ein computergestützter Vorfilter, der vielversprechende Varianten identifiziert, bevor sie in das Nasslabor gelangen.

KI-gestützte Vorhersageplattform

Vorhersage der Variantenaktivität

Machine-Learning-Modelle schätzen katalytischen Umsatz und Substrataffinität anhand von Sequenz- und Strukturmerkmalen. Die Vorhersagen werden nach Enzymfamilie und Reaktionstyp kalibriert und enthalten für jede Variante explizite Konfidenzintervalle.

Stabilitätsvorhersage

Die Bewertung von Thermotoleranz, Aggregationsneigung und Faltungseffizienz identifiziert Varianten, die voraussichtlich als lösliche, funktionelle Proteine exprimieren, statt als inaktive Aggregate.

Expressionsvorhersage

Wirtsspezifische Modelle prognostizieren heterologe Ausbeute, löslichen Anteil und Sekretionseffizienz. Varianten mit voraussichtlich schlechter Expression werden unabhängig von anderen prognostizierten Verbesserungen nachrangig priorisiert.

Funktionales Scoring

Mehrparameter-Zielfunktionen balancieren konkurrierende Eigenschaften—Aktivität versus Stabilität, Spezifität versus Promiskuität—entsprechend den Projektprioritäten. Keine Einzeleigenschaft dominiert zulasten der Gesamtentwickelbarkeit.

Mutationsranking

Ensemble-Prädiktoren integrieren Aktivitäts-, Stabilitäts- und Expressionsscores zu einem einheitlichen Ranking. Top-Varianten gehen in das experimentelle Screening; niedrigere Ränge werden als Reserve für eine erweiterte Exploration vorgehalten, sofern die initialen Ergebnisse dies rechtfertigen.

Korrelation zwischen Sequenz und Funktion

Statistisches Lernen aus experimentellen Datensätzen identifiziert Sequenzmuster, die mit verbesserter Funktion assoziiert sind. Diese Muster lassen sich projektübergreifend generalisieren und ermöglichen zunehmend präzisere Vorhersagen, wenn das Modell weitere Trainingsdaten akkumuliert.

Aktivitätssteigerung

Identifikation von Varianten mit verbessertem Umsatz, reduziertem Michaelis-Konstantenwert oder beschleunigter Produktfreisetzung.

Spezifitätsoptimierung

Priorisierung von Mutationen, die voraussichtlich das Substratspektrum verengen oder erweitern, die Enantioselektivität verbessern oder Nebenreaktionen reduzieren.

Integrierter Screening-Workflow

Integrated Screening Workflow

1. Mutantenpool: Eingabevarianten aus zufälliger Mutagenese, Site-Saturation-Bibliotheken, Rekombination oder Panels natürlicher Diversität. Poolgrößen von Hunderten bis zu Millionen werden unterstützt.

2. KI-basiertes Scoring: Jede Variante wird durch eigenschaftsspezifische Prädiktoren bewertet. Das Scoring berücksichtigt Sequenzkontext, prognostizierte Struktureffekte und bekannte mechanistische Restriktionen.

3. Kandidatenpriorisierung: Varianten werden anhand eines zusammengesetzten Scores gerankt und in Screening-Tiers organisiert. Tier-1-Kandidaten werden unmittelbar experimentell evaluiert; Tier-2- und Tier-3-Kandidaten dienen als Erweiterungsoptionen.

4. Fokussiertes experimentelles Screening: Nasslabor-Assays konzentrieren sich auf die am höchsten gerankte Teilmenge. Der Screening-Durchsatz wird an die prognostizierte Trefferdichte angepasst, um Aufwand für Varianten mit geringer Erfolgswahrscheinlichkeit zu vermeiden.

5. Variantenvalidierung: Bestätigte Hits durchlaufen kinetische Charakterisierung, Stabilitätsprofiling und Expressionsquantifizierung. Validierungsdaten fließen in das Vorhersagemodell zurück und erhöhen die Genauigkeit für nachfolgende Runden.

Unterstützte Engineering-Ziele

Aktivitätssteigerung

Identifikation von Varianten mit verbessertem Umsatz, reduziertem Michaelis-Konstantenwert oder beschleunigter Produktfreisetzung.

Spezifitätsoptimierung

Priorisierung von Mutationen, die voraussichtlich das Substratspektrum verengen oder erweitern, die Enantioselektivität verbessern oder Nebenreaktionen reduzieren.

Stabilitätsverbesserung

Auswahl von Varianten mit erhöhter Thermotoleranz, pH-Robustheit oder Resistenz gegenüber prozessrelevanten Stressbedingungen.

Developability Engineering

Filterung nach Expressibilität, Löslichkeit und Herstellbarkeit, um sicherzustellen, dass verbesserte Varianten produktionsreif sind.

Beispielhaftes Anwendungsszenario

Computational Design enantioselektiver Epoxidhydrolasen

The developed CASCO framework for redesign of catalytic selectivity by integration of computational enzyme design and HTMI-MD Abbildung 1. Das entwickelte CASCO-Framework zur Neugestaltung der katalytischen Selektivität durch Integration von computergestütztem Enzymdesign und HTMI-MD. Das computergestützte Design umfasst die Einführung sterischer Hinderung, um unerwünschte Substrat-Bindungsmodi zu verhindern. (Wijma et al., 2015)

Diese Studie stellt CASCO (catalytic selectivity by computational design) vor, eine computergestützte Strategie zur Entwicklung hoch enantioselektiver Epoxidhydrolasen. Der Ansatz kombiniert rationales Mutationsdesign, sterische Kontrolle der Substratbindung und Hochdurchsatz-Molekulardynamik-Simulationen, um die Substratorientierung in Richtung gewünschter Reaktionspfade zu lenken. Unter Verwendung der Limonen-Epoxidhydrolase als Modellenzym entwarfen die Forschenden kleine Mutantenbibliotheken, die selektiv hoch enantiomerenangereicherte (S,S)-Diole und (R,R)-Diole produzieren. Bemerkenswert ist, dass hoch stereoselektive Enzymvarianten nach experimentellem Screening von nur 37 Mutanten identifiziert wurden. Die Ergebnisse zeigen, dass computergestütztes Enzymdesign den experimentellen Aufwand erheblich reduzieren und gleichzeitig effizient Biokatalysatoren mit maßgeschneiderter Enantioselektivität für die Synthesechemie und industrielle Biokatalyse generieren kann.

FAQs

F: Ersetzt KI das experimentelle Screening?

A: Nein. KI priorisiert, welche Varianten gescreent werden sollen, und reduziert dadurch die Anzahl der experimentell zu evaluierenden Kandidaten drastisch. Die verbleibenden Kandidaten erfordern weiterhin eine Nasslabor-Validierung; die Screening-Last wird jedoch typischerweise um 90 % oder mehr reduziert, bei gleichbleibenden oder verbesserten Trefferquoten.
F: Wie genau sind die Vorhersagen?

A: Die Genauigkeit variiert je nach Enzymfamilie, Zielparameter und verfügbarer Trainingsdatenbasis. Für gut charakterisierte Enzymklassen erreichen Top-Rankings experimentelle Bestätigungsraten von 70–85 %. Für neuartige Familien sind die Vorhersagen explorativer, übertreffen jedoch weiterhin die Zufallsauswahl deutlich. Alle Vorhersagen enthalten kalibrierte Konfidenzscores.
F: Welche Eingabedaten sind erforderlich?

A: Variantensequenzen sind für sequenzbasierte Prädiktoren ausreichend. Strukturen des Elternenzyms oder Homologiemodelle erhöhen die Genauigkeit für strukturinformiertes Scoring. Historische Screening-Daten aus verwandten Projekten—sofern verfügbar—verbessern die Vorhersagequalität zusätzlich durch Transfer Learning.
F: Lässt sich dies mit Ihrem Library-Design-Service integrieren?

A: Ja. Bibliotheken, die über AI-Guided Mutant Library Design erstellt werden, sind für die direkte Eingabe in die Screening-Vorhersageplattform formatiert. Die Kombination schafft eine nahtlose Pipeline von intelligentem Design zu intelligentem Screening.
F: Was passiert, wenn Vorhersagen fehlschlagen?

A: Vorhersagefehler werden analysiert, um Modelllimitationen zu identifizieren und die Trainingsdaten zu aktualisieren. Diese Feedback-Schleife ist integraler Bestandteil unseres Services. Kundinnen und Kunden erhalten eine transparente Berichterstattung zur Vorhersagegenauigkeit, einschließlich Erfolgen und Fehlschlägen, zur gezielten Modellverbesserung.
F: Wie schnell können Screening-Prioritäten erstellt werden?

A: Das Scoring von Bibliotheken bis zu 10⁴ Varianten ist innerhalb weniger Tage abgeschlossen. Bibliotheken mit 10⁵–10⁶ Varianten benötigen 1–2 Wochen. Die Ergebnisse werden als gerankte Listen mit Filterwerkzeugen für eine kundenspezifische Priorisierung bereitgestellt.

References:

Wijma HJ, Floor RJ, Bjelic S, Marrink SJ, Baker D, Janssen DB. Enantioselective enzymes by computational design and in silico screening. Angew Chem Int Ed. 2015;54(12):3726-3730. doi:10.1002/anie.201411415

Vorname:

Nachname:

E-Mail *

Telefonnummer:

Unternehmen/Institution:

Land oder Region:

Menge:

Dienstleistungen & Produkte von Interessierten *

Projektbeschreibung:

Nur für Forschungs- und Industriezwecke. Nicht für den persönlichen Gebrauch bestimmt. Bestimmte Produkte in Lebensmittelqualität eignen sich für die Formulierungsentwicklung in Lebensmitteln und verwandten Anwendungen.

Dienstleistungen

Online-Anfrage