Traditionelles Protein-Engineering ist langsam und kostenintensiv
Wer mit Standardverfahren wie directed evolution oder deep mutational scanning Proteine optimiert, weiß wie aufwendig der Prozess ist. Die Entwicklung dauert lang, kostet viel Geld und am Ende kann man nicht sicher sein, ob man tatsächlich das beste Ergebnis erreicht hat. Hier kommt Exazyme ins Spiel.
Mit Exazyme kommen Sie schneller und kostengünstiger zum Ziel
Der Exazyme-Algorithmus wird Sie schneller, mit deutlich weniger Experimenten und dadurch kostengünstiger zu Ihrem Ziel führen. Anstatt selbst viele Experimente durchführen zu müssen, sagt Ihnen die Künstliche Intelligenz auf Basis von Aminosäuresequenzen genau die Attribute vorher, die Sie brauchen. Alles, was Sie tun müssen, ist die vorhergesagten Sequenzen im Labor anzuwenden und das Protein mithilfe des Algorithmus weiterzuentwickeln. Durch unseren Algorithmus finden Sie die höchsten Absolutwerte, die es gibt, denn er ist darauf ausgelegt, den gesamten Suchraum abzusuchen – mit directed evolution und anderen Standardverfahren ist das kaum möglich. Zudem nimmt unser Algorithmus auch schlechte Werte mit auf, um bessere Vorhersagen treffen zu können. Exazyme ist also Ihr Weg zur besten Proteinentwicklung.
Gespräch buchenBranchen
Mit unserem Algorithmus unterstützen wir viele Unternehmen und Wissenschaftler aus unterschiedlichen Branchen.
Ihre Vorteile
Mit Exazyme profitieren Sie von vielen Vorteilen, die Ihre Arbeit voranbringen werden.
Schnell zum besten Ergebnis
Mit Exazyme müssen Sie 16 Mal weniger Experimente durchführen als mit Standardverfahren. Das spart enorm viel Zeit. Zudem finden Sie durch unseren Algorithmus Absolutwerte, die Sie mit anderen Verfahren nicht oder nur schwer erreichen.
Kosteneffizientes Arbeiten
Da Sie mit Exazyme weniger Experimente durchführen müssen, sparen Sie nicht nur wertvolle Zeit, sondern automatisch auch Geld. Zudem müssen Sie weniger Arbeitsmaterialien einsetzen.
Keine großen Datensätze
Der Algorithmus funktioniert bereits ab zwei Datenpunkten. Es sind also keine großen Datensätze notwendig. Vor dem eigentlichen Start testet er, ob die Messwerte auch tatsächlich ausreichen. So haben Sie die Sicherheit, dass der Algorithmus auch wirklich funktioniert.
Fallstudien unserer Kunden
Problem
Exazymes Technologie sollte zur Verbesserung der Aktivität einer Carboxylase Enzym verwendet werden. Mit herkömmlichen Methoden wie Directed Evolution konnte nach 6 Jahren eine Verbesserung von 500x der Aktivtiät im Vergleich zum Wildtyp erreicht werden.Lösung
Nach nur einer Iteration konnte unsere KI Technologie eine Variante erzeugen, die 3x besser war als die aktuell beste mit 500x.Problem
Exazyme sollte für einen Biokatalysator für die Brennstoffzellenreaktion eingesetzt werden.Ziel
Ziel war es, die Experimente deutlich zu beschleunigen und Effekte von Mutationen zuverlässig vorherzusagen.Lösung
Schon anhand von zwei Datenpunkten konnte Exazyme die Effekte von Mutationen vorhersagen. Außerdem konnten mit Messdaten einer Familie von Hydrogenasen die Experimente für eine andere Familie um das 10-fache beschleunigt werden.Problem
Die Thermostabilität eines Phytase Enzymes sollte nach langen Versuchen mit directed Evolution weiter verbessert werden.Lösung
Nach nur einer Iteration konnte unsere KI Technologie eine Variante erzeugen, die eine Verbesserung der Thermostabilität um 1 Grad Celsius bewirkte.Problem
Unser System sollte für eine Carboxylase eingesetzt werden. Es sollte ein Biokatalysator für CO₂-Reaktionen entwickelt werden.Lösung
Neun von zehn Exazyme-Vorschlägen einer Experimentalrunde zeigten signifikante Aktivität. Mit error prone PCR waren es am Ende zwei von zehn Varianten.Problem
Exazyme sollte für eine Imin-Reduktase in der pharmazeutischen Produktion eingesetzt werden.Ziel
Unser System sollte dafür sorgen, dass deutlich weniger Varianten gebraucht werden. Der Prozess sollte schneller und effektiver sein.Lösung
Das Ergebnis: Mit Exazyme brauchte unser Kunde 16x weniger Varianten im Vergleich zu directed evolution.Unser Team
Exazyme möchte die Gesellschaft voranbringen. Hinter der Idee stehen Biochemikerin Dr. Jelena Ivanovska, AI-Experte Dr. Ingmar Schuster und Ingenieur Philipp Markert. Unser gemeinsames Ziel ist es, die Entdeckung und das Design von Proteinen deutlich zu beschleunigen und Wissenschaftler dabei zu unterstützen, bessere Biokatalysatoren zu liefern. Denn während proteinbasierte Katalysatoren eine immer größere Rolle in der nachhaltigen chemischen Industrie und der Weiterverwendung von CO₂ spielen, sind Proteinrezeptoren und künstliche Antikörper wichtig in der Medizin.
Advisory Board
Exazyme entwickelt sich von Tag zu Tag weiter. Um unser System noch besser zu machen, arbeiten wir mit anerkannten Wissenschaftlern und Experten in den Bereichen Biokatalyse und AI zusammen.
Unsere Zusammenarbeit
Sie haben Interesse an unserer Arbeit, können sich aber noch nicht vorstellen, wie genau unsere Zusammenarbeit ablaufen wird? Wir zeigen es ihnen.
Antworten auf die häufigsten Fragen
Viele Fragen begegnen uns bei unserer Arbeit immer wieder. Einige von ihnen möchten wir hier ganz unkompliziert beantworten.
Das Ändern der Aminosäuresequenz eines Proteins ändert typischerweise auch seine dreidimensionale Struktur. Es sind jedoch bereits alle benötigten Informationen in der AA-Sequenz enthalten, weshalb allein mit der AA-Sequenz die dreidimensionale Struktur vorhergesagt werden kann. Gibt man eine weitere Struktur in den KI-Algorithmus ein, dann bringt das weder neue, statistische Informationen noch eine bessere Vorhersage. Darüber hinaus haben nicht alle Proteine eine feste Struktur. Da unser Algorithmus allein auf die AA-Sequenz angewiesen ist, funktioniert er also auch ohne Sekundärstrukturen.
Das hängt von mehreren Punkten ab - vor allem aber von der Qualität der Daten. Aber: In vielen Fällen waren am Ende lediglich zwei Datenpunkte nötig, um herauszufinden, welche Kandidaten in Experimenten priorisiert werden sollten. Um zu testen, ob der Algorithmus funktioniert, benötigt man grundsätzlich 20 Datenpunkte.
Wenn 20 Datenpunkte vorliegen, testen wir, ob der Algorithmus in Ihrem Fall funktioniert. Wenn unser Test positiv ausfällt, garantieren wir eine starke Beschleunigung im Vergleich zu Standard-Methoden wie directed evolution oder deep mutational scanning.
Wir können Ihnen zwar keine genaue Anzahl nennen, wir können aber sagen, dass im Vergleich zu Standardmethoden weniger synthetisierte Sequenzen nötig sind. Für die KI sind mehr Wiederholungen mit kleinerer Größe von Vorteil.
In den allermeisten Fällen funktioniert der Algorithmus. Neun von zehn Nutzern, bei denen der Test negativ ausfiel, fanden am Ende heraus, dass es ein Messproblem gab. Als sie ihre Messungen schließlich verbesserten, stellte sich heraus, dass das System doch funktioniert.
Zuerst laden Sie Ihre Messdaten ganz einfach in unsere Web-App hoch. Die App checkt automatisch, ob genügend Daten vorliegen, um eine gute Vorhersage treffen zu können. Wenn ausreichend Messdaten vorhanden sind, können Sie verschiedene Konfigurationen treffen. Sie können zwischen zufälligen Mutationen, digitalen Tiefen-Mutationsscans, einer festen Kandidatenliste und weiteren Möglichkeiten wählen. Die KI sagt nun voraus, welche Sequenzen die Proteineigenschaften verbessern würden oder gibt Informationen über die Qualität des Proteins. Die entsprechenden Sequenzen können Sie ganz einfach aus unserer Web-App in Form eines Dokuments downloaden und sofort verwenden. Sie nutzen die vorgeschlagenen Sequenzen einfach in Ihren Labortests, verbessern so das Protein und produzieren gleichzeitig weitere wichtige Daten für den Algorithmus. Bei Bedarf können Sie den Prozess schließlich beliebig oft wiederholen, um das Protein immer weiter zu verbessern.