KI-gestützte Enzymentdeckung

Anfrage

Creative Enzymes nutzt fortschrittliche künstliche Intelligenz, um die Identifizierung und funktionelle Charakterisierung neuartiger Enzyme aus umfangreichen Sequenzdatenbanken zu beschleunigen. Unsere KI-gestützte Discovery-Plattform überführt Rohdaten aus Genomik und Metagenomik in validierte Biokatalysator-Kandidaten, reduziert den experimentellen Aufwand und verkürzt Entwicklungszeiten.

KI-gestützte Lösungen für Enzym-Engineering

Herausforderungen bei der Discovery

Die traditionelle Enzym-Discovery ist mit kritischen Engpässen konfrontiert, die Forschung und industrielle Entwicklung begrenzen:

Riesige Sequenzdatenbanken

Millionen nicht charakterisierter Proteinsequenzen überfordern konventionelle Screening-Ansätze.

Unbekannte Funktion

Der Großteil der Sequenzen verfügt weder über eine funktionelle Annotation noch über eine experimentelle Validierung.

Geringe Annotationsgenauigkeit

Automatisierte Vorhersagen ordnen enzymatische Aktivitäten häufig falsch zu und führen zu kostenintensiven Fehlstarts.

Hoher experimenteller Aufwand

Laborbasiertes Screening von Enzymkandidaten ist weiterhin arbeitsintensiv und nur begrenzt hochdurchsatzfähig.

Diese Herausforderungen erfordern eine „computational-first“-Strategie, die den Suchraum eingrenzt, bevor Laborarbeiten beginnen.

KI-gestützte Discovery-Plattform

Unsere integrierte Plattform kombiniert Machine Learning mit struktureller Bioinformatik, um Enzymkandidaten systematisch zu identifizieren, vorherzusagen und zu priorisieren:

Sequenz-Mining

Tiefgehendes Scannen öffentlicher und proprietärer Datenbanken zur Identifizierung nicht charakterisierter Homologe und entfernter Verwandter.

Motivanalyse

Erkennung konservierter katalytischer Signaturen und Bindestellenmuster, die funktionelle Familien definieren.

Homologiemodellierung

Vorhersage dreidimensionaler Strukturen zur Bewertung der Architektur des aktiven Zentrums und der Substratzugänglichkeit.

Substratvorhersage

KI-gestütztes Docking und Scoring der Bindungsaffinität zur Prognose von Substratspektrum und Spezifität.

Funktionelles Clustering

Unüberwachte Klassifizierung von Sequenzen in mutmaßliche Aktivitätsgruppen auf Basis der Merkmalsähnlichkeit.

Durch die Integration dieser Module liefern wir priorisierte Kandidatenlisten mit zugehörigen Konfidenzscores und ermöglichen so eine rationale Auswahl für nachgelagerte Validierungen.

Leistungsumfang

Unser Service zur KI-gestützten Enzym-Discovery speist direkt zwei spezialisierte nachgelagerte Workflows:

Service	Beschreibung	Preis
KI-unterstütztes Enzym-Mining & funktionelle Annotation	Umfassende Sequenzrecherche, Analyse der Domänenarchitektur und automatisierte Funktionszuordnung mit manueller fachlicher Kuratierung.	Anfrage
KI-gestützte Substrat- & Aktivitätsvorhersage	In-silico-Screening von Substratbibliotheken, Aktivitätsprofiling und Schätzung kinetischer Parameter zur Steuerung der experimentellen Priorisierung.	Anfrage

Workflow

Workflow der KI-gestützten Enzym-Discovery

1. Datenbank-Mining: Systematische Extraktion von Zielsequenzen aus UniProt, GenBank, metagenomischen Assemblies und kundenspezifischen Repositorien.

2. Sequenzanalyse: Multiple Sequenzalignments, phylogenetisches Profiling und Domänendekomposition zur Einordnung in evolutiven und strukturellen Kontext.

3. KI-basierte Funktionsvorhersage: Machine-Learning-Klassifikation der enzymatischen Aktivität, Cofaktor-Anforderungen und subzellulären Lokalisation.

4. Kandidaten-Ranking: Multikriterielles Scoring, das vorhergesagte Aktivität, strukturelle Konfidenz, Neuartigkeit und Expressionsfähigkeit kombiniert.

5. Experimentelle Validierung: Wet-Lab-Bestätigung der vorhergesagten Aktivitäten mittels rekombinanter Expression und standardisierter Assay-Panels.

Anwendungsbereiche

Unsere KI-gestützte Discovery-Plattform unterstützt vielfältige Forschungs- und Entwicklungsziele:

Industrielle Biokatalyse

Identifizierung robuster Enzyme für Green Chemistry und Prozessentwicklung.

Discovery therapeutischer Enzyme

Mining nach human-kompatiblen Enzymen mit definierten pharmakologischen Targets.

Umweltsanierung

Discovery abbauender Enzyme für Schadstoffabbau und Abfallbehandlung.

Lebensmittel- und Futtermittelzusatzstoffe

Screening nach Enzymen zur Verbesserung des Nährwerts, der Haltbarkeit oder der Prozesseffizienz.

Spezialchemikalien

Zielgerichtete Suche nach Enzymen, die hochwertige Umsetzungen mit außergewöhnlicher Selektivität katalysieren.

Beispielprojekt

KI-gestützte Discovery fortschrittlicher Cytosin-Base-Editoren

Abbildung 1. Clustering von Cytidin-Deaminasen basierend auf der 3D-Proteinstruktur. (Xu et al., 2024)

In dieser Studie wurde eine KI-unterstützte Pipeline entwickelt, um verbesserte Cytidin-Deaminasen für das Cytosin-Base-Editing zu identifizieren. Die Forschenden nutzten AlphaFold2 zur Vorhersage der 3D-Strukturen von 1.483 Deaminasen, die über Homologiesuchen identifiziert wurden, und clusterten diese anhand struktureller Ähnlichkeit. Repräsentative Kandidaten aus jedem Cluster wurden experimentell hinsichtlich ihrer C-zu-T-Editing-Performance evaluiert. Mehrere neu identifizierte Deaminasen zeigten eine hohe Editing-Effizienz über unterschiedliche DNA-Sequenzkontexte hinweg sowie verbesserte On-Target/Off-Target-Verhältnisse. Einige Varianten ermöglichten zudem eine effiziente Einführung von Stoppcodons in Säugetiergenen, ohne Doppelstrangbrüche zu verursachen. Darüber hinaus reduzierte strukturgeleitetes Residuen-Engineering Off-Target-Effekte und demonstrierte, wie KI-getriebene Strukturanalysen und Machine Learning die Präzision und das therapeutische Potenzial von Gen-Editing-Technologien erweitern können.

EnzymeExplorer zur KI-basierten Vorhersage von Enzymfunktionen

Abbildung 2. Kuratiertes Datenset und Workflow-Übersicht. (Samusevich et al., 2024)

Diese Studie stellt EnzymeExplorer vor, eine Machine-Learning-Pipeline zur Verbesserung der funktionellen Annotation nicht charakterisierter Enzyme in schnell wachsenden genomischen Datenbanken. Die Plattform kombiniert alignmentsbasierte strukturelle Domänenanalysen mit Protein-Language-Models, um Enzymfunktionen mit hoher Genauigkeit vorherzusagen. Die Forschenden wendeten die Methode auf Terpensynthasen an – eine anspruchsvolle Enzymfamilie, deren Produkte sich allein aus Sequenzinformationen nur schwer ableiten lassen. EnzymeExplorer identifizierte zuvor unbekannte strukturelle Domänen und erzielte eine Vorhersageleistung auf dem Stand der Technik. Die Analyse der UniRef90-Datenbank zeigte zahlreiche übersehene Terpensynthasen, darunter Enzyme, die an einer weit verbreiteten Terpenoid-Biosynthese in Archaeen beteiligt sind und experimentell validiert wurden. Die Studie demonstriert ein leistungsfähiges KI-getriebenes Framework zur Erschließung der enzymatischen „Dark Matter“ in genomischen und metagenomischen Datensätzen.

FAQs

F: Auf welche Sequenzdatenbanken greifen Sie zu?

A: Wir recherchieren routinemäßig in UniProt, NCBI GenBank, JGI IMG/M sowie in öffentlich verfügbaren metagenomischen Assemblies. Kundenspezifische proprietäre Datenbanken können unter geeigneten Vertraulichkeitsvereinbarungen integriert werden.
F: Wie genau sind KI-basierte Funktionsvorhersagen?

A: Die Vorhersagegenauigkeit variiert je nach Enzymfamilie und Datenverfügbarkeit. Für gut repräsentierte Familien liegt die Genauigkeit der Aktivitätsvorhersage bei über 85 %. Für neuartige oder entfernte Homologe stellen wir Konfidenzscores bereit und empfehlen eine stufenweise experimentelle Validierung.
F: Welche Deliverables erhalte ich?

A: Jedes Projekt umfasst einen priorisierten Kandidatenreport mit Sequenzalignments, Strukturmodellen, Funktionsvorhersagen und empfohlenen Validierungsassays. Auf Anfrage stellen wir Expressionskonstrukte und gereinigte Proteine für bestätigende Tests bereit.
F: Können Sie dies mit gerichteter Evolution integrieren?

A: Ja. KI-identifizierte Kandidaten eignen sich hervorragend als Ausgangspunkte für Kampagnen der gerichteten Evolution. Wir bieten einen nahtlosen Übergang von der Discovery zu Engineering- und Optimierungsleistungen.
F: Wie ist der typische Projektzeitplan?

A: In-silico-Discovery und Ranking benötigen typischerweise 4–6 Wochen. Die experimentelle Validierung ergänzt weitere 6–10 Wochen, abhängig vom Expressionssystem und der Assay-Komplexität.
F: Wie handhaben Sie die Vertraulichkeit von Daten?

A: Alle Kundensequenzen, Strukturen und Ergebnisse sind durch strikte Vertraulichkeits- und IP-Vereinbarungen geschützt. Wir arbeiten nach branchenüblichen Datensicherheitsprotokollen.

References:

Xu K, Feng H, Zhang H, et al. Structure-guided discovery of highly efficient cytidine deaminases with sequence-context independence. Nat Biomed Eng. 2024;9(1):93-108. doi:10.1038/s41551-024-01220-8
Samusevich R, Hebra T, Bushuiev R, et al. Structure-enabled enzyme function prediction unveils elusive terpenoid biosynthesis in Archaea. Preprint posted online January 31, 2024. doi:10.1101/2024.01.29.577750

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