Computergestützte Entwicklung und Simulationen von Enzymsubstraten

Anfrage

Computergestützte Methoden können die Substratentdeckung beschleunigen, indem sie Enzym-Substrat-Interaktionen bereits vor der experimentellen Prüfung vorhersagen. Creative Enzymes bietet integrierte Services für computergestütztes Design und Simulationen an und kombiniert Strukturmodellierung, molekulares Docking und prädiktive Analytik, um die Substratidentifizierung zu optimieren.

Hintergrund zu computergestütztem Design und Simulationen von Enzymsubstraten

Computergestütztes Design und Simulationen stellen den vierten und zunehmend kritischen Schritt im integrierten Workflow des Substrat-Screenings und der Substratidentifizierung dar. In dieser Phase werden In-silico-Tools eingesetzt, um den experimentellen Prozess zu rationalisieren, zu verfeinern und zu beschleunigen und Rohdaten in umsetzbare Erkenntnisse zu überführen.

Computergestütztes Design und Simulationen von Enzymsubstraten (adaptiert nach Barruetabeña 2019; Pérez-Rodríguez 2016)

Position im Workflow

Dieser Schritt erfolgt nicht isoliert, sondern dient als leistungsstarke Brücke und Feedback-Schleife im übergeordneten Kontext:

Schritt 1 (Technischer Support & initiale Bewertung): Liefert initiale experimentelle Daten zum Enzymverhalten und speist damit die computergestützten Modelle.
Schritt 2 (Bibliothekskonstruktion): Unterstützt die Entwicklung fokussierter, rationaler Bibliotheken auf Basis vorhergesagter Substrat-Enzym-Interaktionen.
Schritt 3 (HTS & Screening): Analysiert HTS-Ergebnisse zur Identifikation von Struktur-Wirkungs-Beziehungen (SAR) und priorisiert Treffer („Hits“) für die Validierung.
Schritt 4 (Computergestütztes Design): Nutzt alle vorangegangenen Daten, um die besten Substrate vorherzusagen und zu optimieren, und schließt damit den Regelkreis zwischen Experiment und Theorie.

Zentrale Beiträge zum Workflow

Pre-Screening-Unterstützung (vor HTS): Auf Basis der 3D-Struktur des Enzyms kann ein virtuelles Screening digitaler Substanzbibliotheken eine Teilmenge vielversprechender Substrate für die Aufnahme in die physische HTS-Bibliothek priorisieren und so den Screening-Prozess effizienter und kosteneffektiver gestalten.
Post-Screening-Analyse (nach HTS): Wenn HTS eine Liste aktiver „Hits“ liefert, helfen molekulares Docking und Dynamik-Simulationen zu erklären, warum diese Hits aktiv sind. Dadurch werden zentrale Bindungsinteraktionen identifiziert und falsch-positive Ergebnisse bzw. unspezifische („promiscuous“) Binder herausgefiltert.
Hit-to-Lead-Optimierung: Für die vielversprechendsten Substrate können computergestützte Tools Analoga entwerfen und bewerten, um die Bindungsaffinität (niedrigeres K_M) oder den katalytischen Umsatz (höheres k_cat) zu verbessern, mit dem übergeordneten Ziel, k_cat/K_M zu maximieren. Dadurch entsteht eine Shortlist optimaler Kandidaten für Synthese und Validierung, was erheblich Zeit und Ressourcen spart.

Computergestütztes Design und Simulationen bilden den Abschluss der Substratidentifizierung. Dadurch wird sichergestellt, dass die Auswahl des „besten Substrats“ nicht nur auf empirischer Beobachtung beruht, sondern durch ein rationales, mechanistisches Verständnis der Enzym-Substrat-Interaktion untermauert ist. Durch die Integration rechnergestützter Leistungsfähigkeit mit experimentellen Daten werden Risiken in der F&E-Pipeline reduziert, Zykluszeiten verkürzt und ein robusteres sowie besser charakterisiertes Endergebnis erzielt.

Unsere Serviceangebote

Unsere Services für computergestützte Modellierung und Simulation bieten einen kosteneffizienten, datengetriebenen Ansatz zur Beschleunigung der Substratentdeckung und -optimierung. Durch die Integration von molekularer Modellierung, Docking und dynamischen Simulationen können wir Enzym-Substrat-Interaktionen mit hoher Sicherheit vorhersagen, experimentelles Trial-and-Error reduzieren und ein rationales experimentelles Design unterstützen.

Kernkompetenzen

Molekulare Docking-Simulationen von Enzym-Substrat-Bindungsinteraktionen (Hu et al., 2024)

Molekulares Docking und Bindungsanalyse

Wir verwenden fortschrittliche Docking-Algorithmen, um vorherzusagen, wie Kandidatensubstrate im aktiven Zentrum des Enzyms interagieren. Bindungsorientierung, Wasserstoffbrücken, hydrophobe Kontakte und sterische Passung werden analysiert, um günstige Bindungsmodi zu identifizieren.

Strukturbasiertes Enzymdesign zur Steigerung der katalytischen Aktivität (Xu et al., 2023)

Strukturbasiertes Substratdesign

Auf Basis von Enzym-Kristallstrukturen oder hochwertigen Homologiemodellen entwerfen wir neuartige Substratkandidaten mit erhöhter Bindungsaffinität, katalytischer Effizienz oder Selektivität.

Molekulardynamik-Simulationen von CerS2 zur Identifikation potenzieller Bindungstaschen (Zelnik et al., 2023)

Molekulardynamik-(MD)-Simulationen

Um die Flexibilität des Enzyms abzubilden, simulieren wir Konformationsänderungen bei Substratbindung. Dies liefert Einblicke in Induced-Fit-Mechanismen, Übergangszustände und Stabilität unter unterschiedlichen Bedingungen.

Workflow für de-novo-Pathway-Design mit prädiktiver Bewertung und Ranking (Upadhyay et al., 2023)

Prädiktives Scoring und Ranking

Kandidatensubstrate werden mittels prädiktiver Scoring-Funktionen (Bindungsenergie, Freie-Energie-Berechnungen, Interaktionsnetzwerke) bewertet, um die vielversprechendsten Hits für die experimentelle Validierung zu priorisieren.

Service-Workflow

Workflow-Diagramm der Services für computergestütztes Design und Simulationen von Enzymsubstraten

Kontaktieren Sie unser Team

Warum Creative Enzymes

Erfahrenes Computational-Team

Expertise in molekularer Modellierung, Docking und Simulationstechniken.

Integration mit experimentellen Daten

Computergestützte Vorhersagen steuern effiziente Laborprüfungen.

Mechanistische Einblicke

Macht Bindungsinteraktionen und Konformationsdynamik sichtbar.

Zeit- und Kosteneinsparungen

Reduziert experimentelles Trial-and-Error.

Anpassbare Modellierung

Maßgeschneiderte Workflows für unterschiedliche Enzymtypen und Projektziele.

Hohe Vorhersagegenauigkeit

Optimierte Algorithmen erhöhen die Sicherheit bei der Kandidatenauswahl.

Fallstudien und Erfolgsgeschichten

Fall 1: Virtuelles Screening von Phosphatase-Substraten für die Krebsforschung

Kundenbedarf:

Eine universitäre Forschungsgruppe, die eine neuartige Phosphatase untersucht, die vermutlich eine Rolle bei der Tumorsuppression spielt, musste Kandidatensubstrate für die biochemische Validierung identifizieren. Ein experimentelles Screening von Tausenden Verbindungen war kostenintensiv und zeitaufwendig.

Unser Ansatz:

Wir erstellten ein Homologiemodell der katalytischen Domäne der Phosphatase und führten ein molekulares Docking von ca. 5.000 potenziellen phosphorylierten Peptiden und Analoga durch. Docking-Scores und Bindungsinteraktionen wurden analysiert, um die Substratkompatibilität vorherzusagen. Die Top-Kandidaten wurden anschließend Molekulardynamik-Simulationen unterzogen, um Konformationsänderungen des Enzyms und die Bindungsstabilität zu bewerten.

Ergebnis:

Auf Basis der computergestützten Vorhersagen priorisierten wir 15 Substrate mit hoher Erfolgswahrscheinlichkeit für die experimentelle Validierung. Nachfolgende biochemische Assays bestätigten, dass 4 davon effizient durch das Enzym dephosphoryliert wurden. Durch die Eingrenzung des Kandidatenpools mittels Simulationen reduzierte die Forschungsgruppe den Wet-Lab-Aufwand um >80% und identifizierte belastbare Substrate zur Unterstützung ihrer mechanistischen Krebsstudien.

Fall 2: Design neuartiger Protease-Substrate für industrielles Enzym-Engineering

Kundenbedarf:

Ein industrielles Enzymunternehmen wollte eine Protease-Variante mit verbesserter Spezifität für die Lebensmittelverarbeitung entwickeln. Klassisches Substrat-Profiling lieferte nur begrenzte Erkenntnisse zur Selektivität, und der Kunde benötigte neuartige Substratdesigns zur Unterstützung einer rationalen Mutagenese.

Unser Ansatz:

Auf Basis der Protease-Kristallstruktur führten wir ein strukturbasiertes Substratdesign durch, indem wir Peptidanaloga mit Modifikationen an den Positionen P1 und P2' modellierten. Docking- und MD-Simulationen wurden eingesetzt, um Bindungsaffinität und Induced-Fit-Konformationsänderungen zu bewerten. Eine prädiktive Scoring-Pipeline rankte Kandidaten anhand der berechneten freien Bindungsenergie und der Interaktionsmuster im aktiven Zentrum.

Ergebnis:

Simulationen identifizierten eine Reihe von Peptidsubstraten mit stärker vorhergesagter Bindung und erhöhtem Spaltpotenzial. Nach Synthese und Test zeigten zwei der designten Substrate signifikant höhere Umsatzraten im Vergleich zu bestehenden Benchmarks. Die Ergebnisse lieferten dem Kunden klare Mutagenese-Zielstrukturen zur weiteren Optimierung der Protease, verkürzten die Entwicklungszeit und verbesserten die Enzymleistung in Verarbeitungstests.

FAQs—Computergestütztes Design und Simulationen von Enzymsubstraten

F: Wie genau sind computergestützte Vorhersagen im Vergleich zu experimentellen Ergebnissen?

A: Obwohl keine In-silico-Methode perfekt ist, kombiniert unser Workflow molekulares Docking, Molekulardynamik-Simulationen und prädiktives Scoring, was die Zuverlässigkeit deutlich erhöht. In vielen Fällen reduzieren computergestützte Vorhersagen den experimentellen Aufwand um 70–80% und helfen Ihnen, sich ausschließlich auf die vielversprechendsten Substrate zu konzentrieren.
F: Welche Eingabedaten benötige ich, um mit der computergestützten Analyse zu starten?

A: Idealerweise verwenden wir eine Kristallstruktur oder Cryo-EM-Struktur Ihres Enzyms. Falls diese nicht verfügbar ist, können wir auf Basis von Sequenzdaten ein hochwertiges Homologiemodell erstellen. Bekannte Substratpräferenzen (falls vorhanden) verfeinern die Vorhersagen zusätzlich, sind jedoch nicht zwingend erforderlich.
F: Können Sie vollständig neue Substrate designen oder nur bestehende testen?

A: Beides. Wir können große virtuelle Bibliotheken natürlicher oder synthetischer Substrate screenen, aber auch ein strukturbasiertes Design durchführen, um neuartige Kandidaten mit verbesserter Bindungsaffinität, katalytischer Effizienz oder Selektivität zu generieren.
F: Wie wird computergestütztes Substratdesign in das experimentelle Screening integriert?

A: Computergestützte Vorhersagen fungieren als Filter und reduzieren Tausende potenzieller Substrate auf eine handhabbare Shortlist. Diese Kandidaten können anschließend in unseren Modulen zur Konstruktion von Substratbibliotheken oder zum High-Throughput-Screening getestet werden, wodurch ein effizienter End-to-End-Workflow entsteht.
F: Welche Vorteile bietet die Ergänzung meines Projekts um computergestütztes Design?
A: Vorteile umfassen
- Zeit- und Kosteneinsparungen durch Reduktion von Trial-and-Error im Wet-Lab.
- Mechanistische Einblicke in Enzymflexibilität, Bindungsorientierung und Induced-Fit-Mechanismen.
- Priorisierung von Hits mittels prädiktivem Scoring vor der experimentellen Validierung.
- Ermöglichung rationalen Engineerings, indem Mutagenese oder Inhibitor-Design durch klare strukturelle Erkenntnisse gesteuert werden.
F: Welche Enzyme profitieren am meisten von computergestütztem Substratdesign?

A: Dieser Service ist über Enzymklassen hinweg wertvoll, insbesondere jedoch für Kinasen, Phosphatasen und Proteasen, bei denen Substratspezifität entscheidend ist. Er ist zudem effektiv für neuartige oder unzureichend charakterisierte Enzyme, bei denen experimentelle Bibliotheken allein die tatsächlichen Bindungspräferenzen möglicherweise nicht abbilden.
F: In welcher Form werden die computergestützten Ergebnisse bereitgestellt?

A: Wir liefern detaillierte Berichte einschließlich Docking-Scores, Bindungsmodi und gerankter Substratkandidaten für nachfolgende Tests.

Literatur:

Barruetabeña N, Alonso-Lerma B, Galera-Prat A, et al. Resurrection of efficient Precambrian endoglucanases for lignocellulosic biomass hydrolysis. Commun Chem. 2019;2(1):76. doi:10.1038/s42004-019-0176-6
Hu L, Luo R, Wang D, Lin F, Xiao K, Kang Y. SERS-based microdroplet platform for high-throughput screening of Escherichia coli strains for the efficient biosynthesis of D-phenyllactic acid. Front Bioeng Biotechnol. 2024;12:1470830. doi:10.3389/fbioe.2024.1470830
Pérez-Rodríguez G, Gameiro D, Pérez-Pérez M, Lourenço A, Azevedo NF. Single molecule simulation of diffusion and enzyme kinetics. J Phys Chem B. 2016;120(16):3809-3820. doi:10.1021/acs.jpcb.5b12544
Upadhyay V, Boorla VS, Maranas CD. Rank-ordering of known enzymes as starting points for re-engineering novel substrate activity using a convolutional neural network. Metabolic Engineering. 2023;78:171-182. doi:10.1016/j.ymben.2023.06.001
Xu S, Zhou L, Xu Y, et al. Recent advances in structure‐based enzyme engineering for functional reconstruction. Biotech & Bioengineering. 2023;120(12):3427-3445. doi:10.1002/bit.28540
Zelnik ID, Mestre B, Weinstein JJ, et al. Computational design and molecular dynamics simulations suggest the mode of substrate binding in ceramide synthases. Nat Commun. 2023;14(1):2330. doi:10.1038/s41467-023-38047-x

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