ProteinGPS®는 실제 환경에서 활용할 수 있도록 단백질을 최적화하는 엔지니어링 기술입니다.
 

적은 수의 변이를 선별해, 단백질이 갖춰야 할 기능성, 개발 가능성, 생산 가능성을 반영한 고품질 분석법으로 테스트합니다.
이 과정을 반복하며 머신러닝과 테스트를 거쳐 실제 환경에서 효과적으로 작동하는 단백질을 설계합니다.

더 나은 출발 단백질을 찾기 위한 생물학적 탐색

단백질을 엔지니어링하고 싶지만, 최적의 출발점을 잘 모르겠다고요?

ATUM은 계통학적 분석을 사용해 해당 단백질의 다양한 상동 단백질을 식별하고 구축한 후, 단백질 엔지니어링을 위한 더 나은 출발 특성을 가진 변이를 찾기 위해 테스트합니다. 매번 이 과정을 통해 바람직한 출발 단백질을 찾고, 기능적 특성을 가진 아미노산 치환을 찾을 수 있는 추가 데이터를 생성하여, 지적 재산권 포트폴리오를 강화할 수 있습니다.

ProteinGPS® 변이 디자인
실제 환경 테스트를 가능하게 합니다.

자연선택은 ProteinGPS에서 아미노산 치환을 선택하는 가이드 역할을 합니다.

우리는 먼저 당신의 단백질과 자연 동종 단백질의 서열 정렬을 시작합니다. 그런 다음 여러 가지 진화적, 구조적, 기능적 매개변수를 사용하여 가능한 모든 아미노산 치환을 점수화하고 순위를 매깁니다. 마지막으로 실험 설계를 적용하여 가장 높은 순위를 받은 치환을 포함한 단백질 변이를 디자인합니다. 각 ProteinGPS 반복에는 100개 이하의 변이가 필요합니다.

전통적인 라이브러리 스크리닝 전략은 시간이 많이 걸리고 비용이 많이 들며 비효율적입니다. 수백만 개의 변이를 다루다 보니 일반적으로 고속 스크리닝을 사용해야 하는데, 이는 실제 환경에서 단백질 특성을 정확하게 측정하지 못하는 경우가 많습니다. ProteinGPS는 100개 이하의 변이로, 실제 환경에서 단백질이 제대로 기능할 수 있는 조건을 모방하는 저속 스크리닝, 고품질 분석을 사용할 수 있게 해줍니다.

Assay Capabilities→

Machine Learning 단백질 속성에 
영향을 미치는 서열 변화를 식별합니다.

목표로 하는 응용에 중요한 기능적 특성이 측정된 후, ProteinGPS® 머신러닝은 각 시퀀스 변화가 미치는 인과적 영향을 파악하는 데 사용됩니다. 아래 그래프는 산업용 효소의 3가지 특성에 대해 48가지 다른 변화가 미치는 영향을 보여줍니다. 주목할 만한 점은 활동성, 열안정성, 용해도 모두에 긍정적인 영향을 미치는 변화가 거의 없다는 것입니다. 이는 전통적인 라이브러리 스크리닝 방법의 큰 한계입니다.

첫 번째로 하나의 특성을 측정하고, 해당 특성에서 개선되지 않은 모든 라이브러리 항목을 제외하면, 다른 중요한 특성에서의 개선이 사라집니다. 이에 비해 ProteinGPS는 용해도, 활동성, 열안정성 각각을 개선하는 변화를 식별하고 결합할 수 있어, 세 가지 모두가 개선된 효소를 만들 수 있습니다.

Pfizer는 의약품 중간체 합성에 사용되는 효소의 입체선택적 활동성 향상을 요구했습니다. 300개 미만의 변이를 사용한 4차례의 공학적 수정 후, 활동성에서 100배 이상의 개선을 달성하며 프로젝트 목표를 달성했습니다.