整體流程形成一個持續迭代的 閉環(closed loop)設計流程。
第一步是使用基於物理的分子模擬。
透過量子力學計算,可以在實驗之前模擬酵素的:
接著,平台利用 機器學習模型分析酵素序列與實驗數據。
這些模型會尋找蛋白質中的 「hotspots」——也就是那些只要改變少數氨基酸,就可能大幅提升性能的位置,例如:
當模型提出新的酵素設計後,機器人實驗系統會自動完成:
理論上,這能大幅提高酵素優化速度。
酵素被廣泛用作 生物催化劑(biocatalysts),因此更好的酵素可能影響多個產業。
許多工業化學製程正逐漸用酵素替代傳統化學催化劑。
更高效的酵素可能帶來:
同樣的設計技術也可能應用於其他依賴酵素的產業,例如:
公司表示,資金將用於:
Imperagen 屬於快速興起的 TechBio(科技+生技)公司類型——把計算科學、AI 與自動化生物實驗室整合在一起。
核心理念是:
讓每一次實驗都變成數據,並讓 AI 從中學習。
如果這類平台成功擴展,酵素工程可能從高度依賴經驗與試錯的研究活動,轉變為一種 更像工程學的資料驅動流程。
目前仍有一個現實限制:關於速度提升、成本降低或成功率改善的具體數據,大多來自公司或投資公告,公開的獨立性能比較仍然有限。但如果這種平台在產業規模上證明可行,它可能會顯著加快製藥、化學與工業生技產品的開發速度。
Comments
0 comments