Generative KI für die De-novo-Enzymentwicklung

Warum De-novo-Design?

Natürliche Enzyme wurden über Milliarden Jahre Evolution auf biologische Fitness optimiert – nicht auf industrielle Verwertbarkeit. Dieses evolutionäre Erbe setzt grundlegende Grenzen dafür, was natürliche Biokatalysatoren leisten können:

De-novo-Design überwindet diese Einschränkungen, indem Enzyme aus ersten Prinzipien heraus entwickelt werden – ohne Bindung an die evolutionäre Historie. Das Designziel definiert das Enzym, nicht umgekehrt.

Generative KI-Designplattform

KI-Design-Workflow

1. Zielfunktion: Das Designziel wird als katalysierte Reaktion, Substratklasse, gewünschte Selektivität und Betriebsumgebung definiert. Diese funktionelle Spezifikation dient als generativer Constraint und steuert die Modellausgabe in Richtung biochemisch plausibler Lösungen.

2. Generatives Modellieren: KI-Modelle sampeln den Sequenzraum, um Enzymkandidaten zu generieren, die voraussichtlich die Zielfunktion erfüllen. Es werden Hunderte bis Tausende Kandidaten erzeugt, die unterschiedliche architektonische Lösungsansätze für dasselbe katalytische Problem repräsentieren.

3. Sequenzgenerierung: Generierte Sequenzen werden nach prognostizierter Expressionseignung, Faltungsneigung und Abwesenheit aggregationsanfälliger Regionen gefiltert. Sequenzen mit niedriger vorhergesagter Löslichkeit oder inkompatibler Codon-Nutzung werden entfernt.

4. Strukturevaluierung: Vorhergesagte Strukturen werden hinsichtlich Geometrie des aktiven Zentrums, Volumen der Substrattasche, Positionierung katalytischer Residuen und Gesamtstabilität des Folds bewertet. Designs mit geometrisch unplausiblen aktiven Zentren werden verworfen.

5. Kandidatenauswahl: Die bestgerankten Kandidaten werden für die experimentelle Synthese anhand von Kompositscores ausgewählt, die prognostizierte Aktivität, Stabilität, Expressionseignung und strukturelle Konfidenz kombinieren. Die Auswahl balanciert die Exploration diverser Architekturen mit der Fokussierung auf Designs mit höchster Konfidenz.

Potenzielle Engineering-Ziele

Services zur experimentellen Validierung

KI-generierte Enzymkandidaten können im Rahmen unserer Dienstleistungen zur rekombinanten Proteinproduktion, strukturellen Charakterisierung, Enzymaktivitätsanalyse und Stabilitätsprüfung experimentell evaluiert werden, um De-novo-Enzym-Engineering-Projekte zu unterstützen.

• Enzymexpression und -produktion
• Strukturelle Charakterisierung von Enzymen
• Messung der Enzymaktivität
• Prüfung der Enzymstabilität
• Enzym-Engineering mittels De-novo-Design
• Enzym-Engineering

Beispielhaftes Design-Szenario

Generative Künstliche Intelligenz für De-novo-Proteindesign

Abbildung 1. a) Überblick über Workflows des computergestützten Proteindesigns. b) Das SARS-CoV-2-Spike-Protein faltet sich zu einer trimeren Struktur und wechselt zwischen geschlossenen und offenen Konformationen zur ACE2-Bindung. (Winnifrith et al., 2024)

Diese Übersichtsarbeit zeigt, wie künstliche Intelligenz das De-novo-Proteindesign transformiert, indem sie die Generierung neuartiger Proteine mit gewünschten Strukturen und Funktionen ermöglicht, die über in der Natur vorkommende hinausgehen. Moderne generative Modelle – einschließlich Sprachmodellen, Diffusionsmodellen und Graph-Neural-Networks – können plausible Bereiche des Proteinraums explorieren und Proteine mit zunehmend hohen experimentellen Erfolgsraten von bis zu etwa 20 % designen. Sequenzbasierte Ansätze stützen sich hauptsächlich auf große Sprachmodelle, während strukturbasierte Methoden Diffusionsmodelle in den Vordergrund stellen. Diese KI-Systeme können Proteine mit definierten Eigenschaften unter Verwendung programmierbarer Constraints oder natürlicher Sprachinstruktionen generieren. Trotz erheblicher Fortschritte bestehen weiterhin Herausforderungen bei der Vorhersage des experimentellen Erfolgs, beim Design dynamischer Proteine sowie bei der Integration regulatorischer Mechanismen wie posttranslationaler Modifikationen.

FAQs

• F: Kann KI vollständig neue Enzyme generieren?

  A: Ja. Generative Modelle erzeugen Sequenzen, die in natürlichen Datenbanken nicht existieren und nicht von bekannten Homologen abgeleitet sind. Es handelt sich um genuin neuartige Proteine, die auf Basis erlernter Prinzipien der Sequenz-Struktur-Funktions-Beziehungen und nicht aufgrund evolutionärer Abstammung entworfen werden.

• F: Erfordert De-novo-Design bestehende Templates?

  A: Nein. Das definierende Merkmal des De-novo-Designs ist die Unabhängigkeit von natürlichen Templates. Design-Constraints werden funktionell spezifiziert – Reaktionstyp, Substrateigenschaften, Betriebsbedingungen – ohne Bezugnahme auf bestehende Enzyme. Verfügbare Struktur- oder Mechanismusdaten zu verwandten Reaktionen können die Designgenauigkeit jedoch erhöhen, wenn sie als zusätzliche Constraints integriert werden.

• F: Wie werden Kandidaten bewertet?

  A: Kandidaten durchlaufen eine mehrstufige Filterpipeline: sequenzbasierte Vorhersage von Expressionseignung und Löslichkeit, strukturbasierte Bewertung von Fold-Qualität und Geometrie des aktiven Zentrums sowie funktionsbasierte Abschätzung der katalytischen Plausibilität. Die bestgerankten Kandidaten gehen in die experimentelle Synthese und das funktionelle Screening über. Ergebnisse aus der experimentellen Validierung fließen in die Modellverfeinerung zurück und verbessern nachfolgende Designzyklen.

• F: Wie hoch ist die Erfolgsrate bei De-novo-Designs?

  A: Die Erfolgsraten hängen von der Designkomplexität, der funktionellen Spezifität und dem Reifegrad der relevanten generativen Modelle ab. Bei gut charakterisierten Reaktionstypen mit klaren mechanistischen Anforderungen zeigt ein relevanter Anteil der experimentell getesteten Kandidaten nachweisbare Aktivität. Bei tatsächlich neuartigen Aktivitäten sind die Erfolgsraten geringer, verbessern sich jedoch mit jeder Iteration, da die Modelle zusätzliche Trainingsdaten akkumulieren.

• F: Wie sieht der typische Zeitplan aus?

  A: Die computergestützte Generierung und Filterung benötigt 2–3 Monate. Experimentelle Synthese, Expression und Screening der Top-Kandidaten dauern weitere 2–3 Monate. Gesamtprojekte von der funktionellen Spezifikation bis zum validierten neuartigen Enzym benötigen typischerweise 5–7 Monate.

• F: Können De-novo-Enzyme weiter optimiert werden?

  A: Ja. Validierte De-novo-Designs dienen als Ausgangspunkte für gerichtete Evolution, rationales Engineering oder Stabilitätsoptimierung. Ihre neuartige Sequenzarchitektur eröffnet häufig Optimierungspfade, die mit natürlichen Scaffolds nicht verfügbar sind.