KI-gestützte Optimierung von Stabilität und Entwickelbarkeit

Herausforderungen im Stabilitäts-Engineering

Die Enzymstabilität unter Prozess- und Lagerbedingungen ist ein zentraler Determinant der kommerziellen Umsetzbarkeit. Häufige Developability-Limitationen umfassen:

Diese Herausforderungen gehen häufig auf Oberflächenladungsverteilungen, Defekte in der Kernpackung, flexible Loop-Regionen oder exponierte hydrophobe Bereiche zurück, die allein aus der Sequenzinspektion nicht ersichtlich sind. Eine computergestützte Bearbeitung reduziert den experimentellen Aufwand zur Stabilisierung von Varianten durch Trial-and-Error-Mutagenese.

KI-basierte Stabilitätsvorhersage

Unsere Plattform integriert vier prädiktive Module, die Sequenz und Struktur auf Stabilitätsendpunkte abbilden:

Jedes Modul generiert Hypothesen auf Residuenebene für stabilisierende Mutationen, einschließlich expliziter Trade-off-Warnhinweise, wenn eine Stabilisierung voraussichtlich die Dynamik des aktiven Zentrums oder die katalytische Effizienz beeinträchtigt.

Optimierungs-Workflow

1. Baseline-Charakterisierung: Das Ausgangsenzym wird mittels sequenzbasierter Prädiktoren und – sofern verfügbar – Strukturmodelle auf Stabilitätsrisiken analysiert. Kritische Hotspots werden nach dem prognostizierten Einfluss unter prozessrelevanten Bedingungen priorisiert.

2. Design stabilisierender Mutationen: ML-Modelle schlagen Substitutionen vor, die die Kernpackung verbessern, stabilisierende Salzbrücken einführen, die Oberflächenhydrophobizität reduzieren oder flexible Loops versteifen. Mutationen werden gefiltert, um Positionen auszuschließen, die voraussichtlich die katalytische Funktion beeinträchtigen.

3. Aufbau einer Variantenbibliothek: Priorisierte Mutationen werden als Einzelpunkt- und kombinatorische Varianten synthetisiert; die Bibliothekstiefe wird an Screening-Kapazität und Projektzeitplan ausgerichtet.

4. Experimentelle Validierung: Varianten werden exprimiert und einem beschleunigten Stresstest unterzogen: Thermal-Shift-Assays, Zeitreihen zur thermischen Inaktivierung, Aggregationskinetik unter Konzentrationsstress sowie pH-Stabilitätsprofiling. Lösliche Ausbeute und monomere Reinheit werden mittels analytischer Methoden quantifiziert.

5. Iterative Verfeinerung: Experimentelle Ergebnisse verfeinern die Vorhersagemodelle und steuern nachfolgende Designrunden. Typischerweise konvergieren 2–3 Zyklen auf Varianten mit deutlich verbesserten Stabilitätsprofilen bei erhaltener katalytischer Leistung.

Unterstützung bei der Wet-Lab-Validierung

Computergestützte Stabilisierungsvorhersagen erfordern eine stringente experimentelle Bestätigung unter prozessrelevanten Bedingungen. Unsere Validierungspipeline stellt sicher, dass Stabilitätsgewinne in eine herstellbare Performance überführt werden:

Validierungsergebnisse fließen direkt in nachfolgende Designiterationen ein und schließen den Optimierungszyklus durch quantitatives Feedback.

Deliverables

• Bericht zu Stabilitätsrisiken: Identifizierte Schwachstellen mit mechanistischer Interpretation und prognostiziertem Einfluss auf Herstellung und Lagerung
• Priorisierte Variantenliste: Stabilisierende Mutationen mit prognostizierter Effektstärke, Konfidenzscores und struktureller Begründung
• Datenpaket zu Stresstests: Ergebnisse der thermischen, pH- und Aggregationscharakterisierung unter definierten Bedingungen
• Formulierungsempfehlung: Vorgeschlagene Puffersysteme, Hilfsstoffe und Lagerbedingungen basierend auf den biophysikalischen Eigenschaften der Variante

Fallstudie

ProteinMPNN zur Verbesserung von Proteinstabilität und Expression

Abbildung 1. Designstrategie zur Optimierung von Proteinexpression und -stabilität mit ProteinMPNN. (Sumida et al., 2024)

Diese Studie zeigte, wie das Deep-Learning-Modell ProteinMPNN die Expression, Stabilität und Funktionalität biotechnologisch relevanter Proteine verbessern kann. Unter Verwendung von Myoglobin und der Tobacco-Etch-Virus-(TEV)-Protease als Modellsysteme kombinierten die Forschenden struktur­basiertes Sequenzdesign mit evolutionären Constraints und einer strukturellen Validierung mittels AlphaFold2. Funktionelle Residuen in der Nähe katalytischer sowie Substratbindungsstellen wurden zur Aufrechterhaltung der Aktivität konserviert, während neu designte Regionen die Proteineigenschaften verbesserten. Die entwickelten Proteine zeigten erhöhte Expressionsniveaus, höhere thermische Stabilität und eine verbesserte funktionelle Performance. Bemerkenswert ist, dass mehrere TEV-Protease-Varianten eine höhere katalytische Aktivität als sowohl das Elternenzym als auch zuvor berichtete Mutanten aufwiesen. Die Arbeit unterstreicht das Potenzial KI-gestützten Proteindesigns zur Optimierung nativer Proteine für industrielle und wissenschaftliche Anwendungen.

FAQs

• F: Können Sie die Stabilität optimieren, ohne Aktivität zu verlieren?

  A: Ja. Unsere Filterpipeline schließt Mutationen, die voraussichtlich die Geometrie des aktiven Zentrums oder die dynamische Kopplung stören, explizit aus. Eine multiobjektive Bewertung balanciert Stabilitätsgewinn gegen Erhalt der Katalyse.

• F: Welche Ausgangsmaterialien benötige ich?

  A: Ein gereinigtes Enzym, ein Expressionskonstrukt oder eine Sequenz mit nachgewiesener Aktivität ist ausreichend. Strukturinformationen beschleunigen den Prozess, sind jedoch nicht zwingend erforderlich.

• F: Wie viele Designzyklen sind typischerweise erforderlich?

  A: 2–3 Zyklen für moderate Verbesserungen; 4 Zyklen für substanzielle thermische Upgrades oder eine Stabilisierung über mehrere Eigenschaften hinweg.

• F: Stellen Sie Formulierungsempfehlungen bereit?

  A: Ja. Die Deliverables umfassen empfohlene Puffersysteme, pH-Bereiche und Hilfsstoffstrategien basierend auf dem biophysikalischen Profil der optimierten Variante.

• F: Lässt sich dies mit einer Aktivitätsoptimierung integrieren?

  A: Ja. Stabilitätsoptimierte Varianten können als robuste Scaffolds für nachfolgendes Aktivitäts-Engineering dienen, oder beide Eigenschaften können parallel über eine multiobjektive Bewertung optimiert werden.

• F: Wie ist der typische Zeitplan?

  A: 8–12 Wochen pro Design-Test-Zyklus. Die meisten Projekte erreichen die Zielstabilität innerhalb von 2–3 Zyklen.