KI‑entwickelte maßgeschneiderte Biokatalysatoren

Anfrage

Entwickeln Sie maßgeschneiderte Biokatalysatoren, die für spezifische industrielle und synthetische Anwendungen optimiert sind.

Warum kundenspezifische Biokatalysatoren?

Natürliche Enzyme sind für biologische Funktionen evolviert, nicht für industrielle Prozesse. Diese evolutionsbedingte Diskrepanz führt zu anhaltenden Einschränkungen:

Inkompatibilität mit industriellen Prozessbedingungen

Natürliche Enzyme arbeiten bei physiologischer Temperatur, pH-Wert und Ionenstärke. Herstellbedingungen erfordern häufig erhöhte Temperaturen, organische Cosolventien oder extreme pH-Werte, die Wildtyp-Enzyme denaturieren oder inaktivieren.

Substratbedingte Einschränkungen

Die Evolution optimiert Enzyme für Metabolite, die im Wirtsorganismus vorkommen. Industrielle Substrate sind häufig strukturell unterschiedlich, größer oder hydrophober als natürliche Gegenstücke, was zu schlechter Bindung oder vernachlässigbarem Umsatz führt.

Stabilitätslimitationen

Die Betriebsstabilität unter Prozessbedingungen – kontinuierlicher Reaktorbetrieb, Freeze-Thaw-Zyklen oder Langzeitlagerung – übersteigt den evolutionären Selektionsdruck auf die meisten natürlichen Enzyme. Eine schnelle Inaktivierung erhöht die Katalysatorkosten und erschwert das Prozessdesign.

Das Design kundenspezifischer Biokatalysatoren adressiert diese Diskrepanzen, indem die Zielanwendung von Beginn an als Designziel festgelegt wird. Das Enzym wird für den Prozess entwickelt – nicht der Prozess an das Enzym angepasst.

KI-gestützte Plattform für das Biokatalysator-Design

Substratorientiertes Design

Geometrie des aktiven Zentrums und Eigenschaften der Bindetasche werden so spezifiziert, dass Zielsubstrate aufgenommen werden können. Substratanaloga werden in der Tasche modelliert, um sterische Einschränkungen, elektronische Komplementarität und die optimale Orientierung für die Katalyse zu identifizieren.

Stabilitäts-Engineering

Thermotoleranz, Beständigkeit gegenüber organischen Lösungsmitteln und Aggregationsneigung werden vorhergesagt und optimiert – durch Umverteilung von Oberflächenladungen, Verbesserung der Kernpackung und Rigidifizierung von Schleifenregionen. Stabilität ist kein nachgelagerter Aspekt, sondern wird gemeinsam mit der Aktivität co-optimiert.

Optimierung der Prozessadaptierbarkeit

Enzyme werden auf Kompatibilität mit Herstellrestriktionen ausgelegt: hohe Substrat- und Produktkonzentrationen, Cofaktor-Regenerationssysteme, Immobilisierungschemien und Reinigungsprotokolle. Prozessparameter fließen direkt in Designentscheidungen ein.

Steigerung der katalytischen Effizienz

Umsatzraten und Substrataffinitäten werden durch Stabilisierung des Übergangszustands, beschleunigte Produktfreisetzung und optimierte Protonen-Relay-Netzwerke verbessert. Effizienzziele werden an die Prozessökonomie kalibriert.

Multi-Parameter-Optimierung

Keine einzelne Eigenschaft dominiert. KI-Modelle balancieren konkurrierende Ziele – Aktivität versus Stabilität, Spezifität versus Promiskuität, Expressionsausbeute versus Faltungskomplexität – mittels Pareto-Optimierung. Das Ergebnis ist ein Set von Designs, das optimale Trade-offs zur Bewertung durch den Auftraggeber abbildet.

Maßgeschneiderter Engineering-Workflow

Customized Engineering Workflow

1. Anwendungsanforderung: Der Zielprozess wird charakterisiert: Reaktionstyp, Substrat- und Produktstrukturen, Betriebsbedingungen, Reinheitsanforderungen und wirtschaftliche Randbedingungen. Diese Spezifikationen definieren die Optimierungslandschaft.

2. Analyse der Zieleigenschaften: Kritische Eigenschaften werden nach Prozessrelevanz priorisiert. Aktivität, Stabilität, Spezifität und Expression werden als Optimierungsziele mit definierten Schwellenwerten und relativen Prioritäten quantifiziert.

3. KI-gestütztes Design: Computermodelle generieren Kandidatensequenzen, die voraussichtlich das Zielprofil der Eigenschaften erfüllen. Die Designs umfassen ein Spektrum architektonischer Lösungen – von modifizierten natürlichen Gerüsten bis hin zu de novo generierten Sequenzen.

4. Kandidatenoptimierung: Top-gerankte Kandidaten werden durch iteratives Modellieren verfeinert: Anpassungen im aktiven Zentrum, Stabilitätsprädiktionen und Expressionsoptimierung. Das Ergebnis ist ein fokussiertes Set von Varianten für die experimentelle Evaluierung.

5. Validierung & Iteration: Designvarianten werden exprimiert, gereinigt und unter prozessrelevanten Bedingungen charakterisiert. Die Ergebnisse bestätigen oder widerlegen Vorhersagen; erfolgreiche Designs gehen in die Skalierung über. Unterperformende Designs fließen in die Modellverfeinerung für nachfolgende Iterationen ein.

Anwendungsbereiche

Pharmazeutische Synthese

Enantioselektive Biokatalysatoren zur Herstellung chiraler Zwischenprodukte, wodurch die Abhängigkeit von stöchiometrischen Reagenzien und chromatographischer Racematspaltung reduziert wird.

Grüne Chemie

Lösungsmitteltolerante, cofaktoreffiziente Enzyme, die gefährliche chemische Katalysatoren durch wässrige Biotransformationen bei Umgebungsdruck ersetzen.

Lebensmittelbiotechnologie

Prozessstabile Enzyme zur Modifikation von Zutaten, Verlängerung der Haltbarkeit und Verbesserung des Nährwerts unter lebensmitteltauglichen Bedingungen.

Spezialchemikalien

Hochselektive Biokatalysatoren für die Synthese komplexer Moleküle, bei denen chemische Methoden keine Regio- oder Stereokontrolle bieten.

Beispielhafte Use Cases

Pinal: Sprachgesteuertes De-novo-Protein-Design

Overview of Pinal Abbildung 1: Überblick über Pinal. (Dai et al., 2024)

Diese Studie stellt Pinal vor, ein probabilistisches Framework für das De-novo-Protein-Design, das natürliche Sprachinstruktionen zur Steuerung der Proteingenerierung nutzt. Im Gegensatz zu konventionellen Deep-Learning-Ansätzen, die Sequenzen direkt generieren, verwendet Pinal eine zweistufige Strategie: Zunächst werden Proteinstrukturen aus textlichen Beschreibungen erzeugt, anschließend werden Sequenzen entworfen, konditioniert sowohl auf die Struktur als auch auf den Spracheingang. Durch die Fokussierung auf den kleineren strukturellen Suchraum verbessert die Methode Design-Effizienz und -Diversität. Experimentelle Ergebnisse zeigten, dass Pinal bestehende Protein-Design-Modelle, einschließlich ESM3, übertraf und erfolgreich auf neuartige Proteinstrukturen außerhalb der Trainingsverteilung generalisierte. Der Ansatz verdeutlicht das wachsende Potenzial sprachgesteuerter KI-Systeme für ein flexibles und kontrollierbares Protein-Engineering.

gcWGAN für das Design neuartiger Proteinfaltungen

De novo protein design for novel folds using guided conditional wasserstein generative adversarial networks Abbildung 2: De-novo-Protein-Design für neuartige Faltungen mittels guided conditional Wasserstein Generative Adversarial Networks. (Karimi et al., 2020)

Diese Studie präsentiert gcWGAN, ein semi-supervised Deep-Generative-Framework zur Entwicklung von Proteinsequenzen, die beliebige und potenziell neuartige strukturelle Faltungen annehmen. Basierend auf Conditional Wasserstein Generative Adversarial Networks integriert die Methode eine niedrigdimensionale Faltungsrepräsentation, einen ultraschnellen Sequence-to-Fold-Prädiktor sowie semi-supervised Learning unter Verwendung von Sequenzdaten mit oder ohne strukturelle Annotationen. Im Vergleich zu konkurrierenden Modellen wie Conditional Variational Autoencoders generierte gcWGAN erfolgreichere und diversere Proteindesigns über 100 ungesehene Faltungen hinweg und deckte 3,5-mal mehr Zielstrukturen ab. Für die generierten Sequenzen wurde vorhergesagt, dass sie physikalisch und biologisch realistisch sind, und sie konnten zudem traditionelle De-novo-Design-Methoden wie RosettaDesign verbessern, indem sie optimierte Design-Seeds und Suchräume bereitstellen.

Warum Creative Enzymes

Maßgeschneiderte Unterstützung

Jedes Projekt beginnt mit einer detaillierten Anwendungsanalyse. Designziele werden gemeinsam definiert – nicht aus Standardvorlagen vorgegeben.

Integrierter Workflow

Computational Design, Gensynthese, Expression, Aufreinigung und Charakterisierung laufen als einheitliche Pipeline mit zentralem Projektmanagement.

Wet-Lab-Validierung

Alle Designs werden experimentell unter Bedingungen validiert, die der vorgesehenen Anwendung entsprechen. Vorhersagen ohne experimentelle Bestätigung werden nicht als Endergebnis geliefert.

FAQs

F: Können Sie Enzyme für spezifische Substrate designen?

A: Ja. Die Substratstruktur ist ein primärer Design-Input. Wir modellieren die Bindungsgeometrie des Substrats, identifizieren kompatible katalytische Mechanismen und entwickeln aktive Zentren, die auf Zielmoleküle zugeschnitten sind. Sowohl natürliche als auch nicht-natürliche Substrate werden berücksichtigt.
F: Unterstützen Sie die Optimierung industrieller Prozesse?

A: Ja. Prozessparameter – Temperatur, pH-Wert, Lösungsmittelzusammensetzung, Substratkonzentration, Cofaktoranforderungen – werden von Projektbeginn an als Designrestriktionen festgelegt. Das Ergebnis ist ein Biokatalysator, der für Ihren Prozess optimiert ist – nicht ein generisches Enzym, das eine Prozessanpassung erfordert.
F: Können kundenspezifische Biokatalysatoren experimentell validiert werden?

A: Ja. Die experimentelle Validierung ist integraler Bestandteil unserer Leistung, nicht optional. Alle designten Kandidaten werden exprimiert und hinsichtlich der Zieleigenschaften charakterisiert. Validierungsdaten werden zusammen mit dem finalen Biokatalysator bereitgestellt, und nicht erfolgreiche Designs werden analysiert, um nachfolgende Iterationen zu verbessern.
F: Wie ist der typische Projektzeitplan?

A: 4–6 Monate von der Anforderungsdefinition bis zum validierten Biokatalysator bei Zielen mittlerer Komplexität. Neuartige Aktivitäten oder extreme Eigenschaftskombinationen können sich auf 8–10 Monate verlängern. Beschleunigte Zeitpläne sind für priorisierte Projekte verfügbar.
F: Übernehmen Sie Scale-up und Herstellung?

A: Wir bieten Expressionsoptimierung und Aufreinigung im kleinen Maßstab zur Validierung. Die Skalierung auf Herstellungsmengen und der Technologietransfer in Produktionsstätten werden über Partnernetzwerke oder durch vom Auftraggeber benannte CMOs unterstützt.
F: Wem gehören die geistigen Eigentumsrechte?

A: Alle designten Sequenzen, Validierungsdaten und das zugehörige Know-how sind Eigentum des Auftraggebers. Creative Enzymes arbeitet auf Basis standardisierter Vertraulichkeits- sowie IP-Übertragungsvereinbarungen.

References:

Dai F, You S, Zhu Y, et al. Toward de novo protein design from natural language. Preprint posted online August 2, 2024. doi:10.1101/2024.08.01.606258
Karimi M, Zhu S, Cao Y, Shen Y. De novo protein design for novel folds using guided conditional wasserstein generative adversarial networks. J Chem Inf Model. 2020;60(12):5667-5681. doi:10.1021/acs.jcim.0c00593

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