Identificering af produkter til biomanufacturing

Et produkt kan være mange forskellige ting, alt fra organiske syrer som citronsyre til komplekse proteiner som antistoffer. At opdage, isolere og karakterisere et potentielt produkt kræver tid og ressourcer. Der findes mange forskellige måder at finde et produkt på. I dette afsnit forklares både klassiske og computerbaserede metoder, der kan bruges til at opdage og identificere relevante produkter. 

De klassiske tilgange er baseret på, at forskere indsamler prøver fra naturen, såsom jordprøver eller biologiske prøver fra levende dyr. Prøverne bringes derefter tilbage til laboratoriet for at blive analyseret, hvor forskere kan identificere de isolerede produkter (molekyler, enzymer osv.), teste produkternes potentielle anvendelighed og bestemme deres naturlige producenter. 

Den stigende brug af computere og kunstig intelligens (AI) har også ført til udviklingen af mange computerbaserede værktøjer, der kan forudsige eller pege på potentielle produkter ved at analysere omfattende data inden for genetik (genomics), proteiner (proteomics) og metabolisme (metabolomics). Dette har især været relevant inden for protein engineering, hvor computerbaserede værktøjer såsom AlphaFold nøjagtigt kan forudsige proteiners 3D-struktur ud fra deres aminosyresekvens. Disse forudsigelser kan hjælpe med at designe nye proteiner, der kan behandle sygdomme, hæmme skadelige enzymer eller udføre industrielle opgaver mere effektivt. 

Begge metoder har forskellige fordele og ulemper, og derfor er det vigtigt at finde ud af, hvilket produkt man ønsker, hvor man vil finde det, og hvordan man vil karakterisere det. 

Produkttyper 

Mikroorganismer, planteceller og dyreceller kan fremstille mange forskellige, men nyttige biobaserede produkter. De gør dette for at sikre deres egen overlevelse, vækst eller interaktion med deres omgivelser. Mange af disse naturlige produkter anvendes også til andre formål i forskellige industrier. De spiller vigtige roller inden for medicin, landbrug, fødevareproduktion og industrielle anvendelser og påvirker hverdagen både direkte og indirekte. 

Der findes mange forskellige kategorier af biobaserede produkter, og hver type varierer i struktur, kompleksitet, størrelse og funktion. Nogle eksempler gennemgås nedenfor og ses desuden i Figur 1.

Enzymer er proteiner, der katalyserer specifikke reaktioner. Deres evne til at fungere som katalysatorer for mange forskellige reaktioner gør dem fordelagtige i forskellige industrier. Et godt eksempel er brugen af α- og β-amylase i brødbagning. Disse enzymer hjælper med at nedbryde stivelse til mindre fermenterbare sukkerarter og forbedrer dermed hævetid og volumen. Et andet eksempel er vaskemidler til tøjvask. Vaskemidler består af mange forskellige enzymer: proteaser til at fjerne proteiner, lipaser til at fjerne fedtpletter, amylaser til at fjerne stivelse samt cellulase og mannanase til at fjerne plantebaserede pletter.

Aminosyrer er byggestenene i proteiner og er essentielle for forskellige biologiske processer. De produceres gennem mikrobiel fermentering og anvendes bredt i farmaceutiske produkter, kosttilskud og dyrefoder. For eksempel tilsættes aminosyren lysin ofte til dyrefoder for at støtte dyrenes vækst, herunder muskelopbygning, hvilket bidrager til en mere effektiv kødproduktion.

Biopharmaceuticals inkluderer terapeutiske (herunder monoklonale antistoffer), vacciner og proteiner, der bruges i diagnostiske tests. Disse produkter anvendes til behandling af en bred vifte af sygdomme, herunder kræft, diabetes og autoimmune lidelser. For eksempel produceres insulin, et hormon der bruges til behandling af diabetes, ved hjælp af biomanufacturing.

Lipider dækker over organiske forbindelser såsom fedtstoffer, olier og voks. De produceres gennem biomanufacturing og anvendes i mange sammenhænge, herunder biobrændstoffer, kosmetik og kosttilskud. Et eksempel er produktionen af omega-3-fedtsyrer, som bruges som kosttilskud til at støtte hjertesundhed og hjerneudvikling hos fosteret og spædbørn.

Polysakkarider er komplekse kulhydrater, der produceres af mikroorganismer. De anvendes i fødevarer, farmaceutiske produkter og som biobaserede materialer til forskellige industrielle formål. For eksempel bruges xanthan gum, som produceres af bakterien Xanthomonas campestris, som fortykningsmiddel i mad og kosmetik.

Organiske syrer produceres ved mikrobiel fermentering og anvendes i fødevarekonservering, farmaceutiske produkter og som kemiske mellemprodukter i forskellige industrielle processer. Citronsyre produceres ved hjælp af den filamentøse svamp Aspergillus niger og bruges bredt som konserverings- og smagsstof i fødevareindustrien.

Biopolymerer er polymerer, der produceres af levende organismer, såsom polylactic acid (PLA) og polyhydroxyalkanoater (PHA). De bruges i bionedbrydelige plastmaterialer og andre miljøvenlige produkter. PLA anvendes til fremstilling af emballage, der kan nedbrydes ved kompostering.

Sekundære metabolitter er forbindelser, der produceres af mikroorganismer, som ikke direkte er involveret i deres vækst, udvikling eller reproduktion. Det inkluderer antibiotika, pigmenter og andre bioaktive forbindelser. Penicillin, et antibiotikum produceret af skimmelsvampen Penicillium, er et velkendt eksempel.

Figur 1: Biomanufacturing bruges til at producere et bredt spektrum af værdifulde produkter fra mange forskellige kategorier. Det inkluderer enzymer, aminosyrer, lipider, biopolymerer, organiske syrer, polysakkarider, biopharmaceuticals (som vacciner og antistoffer) og sekundære metabolitter såsom antibiotika og pigmenter. 

Det varierede og brede udvalg af produkter, der kan fremstilles gennem biomanufacturing, gør det til en meget værdifuld produktionsmetode. Dette har skabt stor interesse for at opdage nye produkter, der kan produceres biologisk, og driver udviklingen af avancerede teknikker til at finde, identificere og karakterisere dem. 

At finde et produkt 

Dette afsnit beskriver metoder, der bruges til at finde et produkt til biomanufacturing-processen, med biopharmaceuticals som eksempel. De forklarende metoder kan dog også bruges til at identificere andre typer af produkter med visse tilpasninger. 

Biopharmaceuticals er medicinske lægemidler fremstillet ved hjælp af levende celler og er blandt de mest værdifulde produkter i bioteknologiindustrien. De kan bruges til at behandle mange sygdomme, såsom kræft, autoimmune lidelser og infektioner, hvilket gør dette område til et stort fokus for forskning og udvikling. 

Det første skridt i at opdage et nyt biopharmaceutical er at identificere den sygdomsfaktor, som forårsager sygdommen. Denne faktor kan være et molekyle i kroppen, såsom et specifikt protein eller enzym, der spiller en nøglerolle i sygdommen. Dette sygdomsfremkaldende molekyle kaldes også et drug target. Ved at interagere med eller blokere dette drug target kan lægemidlet hjælpe med at behandle sygdommen. Når et drug target er identificeret, er næste skridt at finde eller designe et produkt, der kan binde sig korrekt til et target for at fremkalde den ønskede effekt. 

Der findes flere metoder til at opdage potentielle biopharmaceuticals. Traditionelle metoder involverer at teste store samlinger af naturligt forekommende molekyler (fra planter, svampe eller bakterier) eller syntetiske molekyler for at se, om de udviser den ønskede effekt. Kunstig intelligens (AI) og machine learning (ML) er også blevet anvendt til at udvikle computerbaserede værktøjer til at modellere 3D-strukturen af et target. Dette gør det muligt for forskere at designe eller teste, hvordan forskellige lægemiddelmolekyler kan binde sig til et drug target, før lægemidlet fysisk fremstilles. Disse forskellige tilgange hjælper tilsammen forskere med at opdage og udvikle lægemidler, der både er effektive og sikre for mennesker. Ved at kombinere biologi, kemi og avanceret databehandling bliver søgningen efter nye lægemidler mere præcis, mindre tidskrævende og mindre ressourcekrævende. 

Traditionel trial-and-error drug discovery

Denne lægemiddelopdagelsesmetode er baseret på at afprøve mange forskellige molekyler fra store samlinger i laboratoriet, indtil et eller flere molekyler virker mod et drug target. Disse molekyler er ofte isoleret fra naturlige kilder eller stammer fra screening-biblioteker. Dette kan være en samling af kemikalier, peptider eller større proteiner. Biblioteket kan også være en samling af mikroorganismer, der er blevet indsamlet, men ikke undersøgt i detaljer, og som derfor kan indeholde en ukendt forbindelse med en ukendt effekt. 

Screening-biblioteker med mange forskellige molekyler eller mikroorganismer kan testes ved hjælp af High-Throughput Screening (HTS). Her bruger forskere assays, som er eksperimenter, der viser, hvordan et stof påvirker et biologisk system, for eksempel om det hæmmer et protein eller påvirker cellers vækst. Testene udføres ofte automatisk med robotter i plader med mange små brønde, så tusindvis af forskellige stoffer kan undersøges meget hurtigt. Computere analyserer derefter resultaterne og udvælger de mest lovende stoffer, kaldet “hits”, som kan videreudvikles til mulige lægemidler. Nogle assays fokuserer på et specifikt target, såsom at blokere et sygdomsrelateret protein (target-based assays), mens andre ser på den overordnede effekt på celler eller organismer uden præcist at vide, hvordan forbindelsen virker (phenotypic assays). Assayet producerer et signal, som for eksempel en farveændring, der nemt kan aflæses ved hjælp af en maskine. 

Dette er en metode, der bruges i drug discovery til hurtigt at teste tusindvis til millioner af kemiske forbindelser for biologisk aktivitet mod et specifikt mål. Hele HTS-processen kan ses i Figur 2. 

Figur 2: Trin 1 er forberedelse af prøver fra et bibliotek. Biblioteket kan bestå af forskellige proteiner, celler eller kemikalier, som derefter kan udtages til test mod et mål. Trin 2 er at starte reaktionerne og aflæse resultaterne. Trin 3 involverer indsamling af data til trin 4, hvor data analyseres. Hvert datapunkt repræsenterer et specifikt molekyle, hvis ID er på x-aksen, og hvis biologiske effekt er målt på y-aksen. Den stiplede linje repræsenterer en fastlagt tærskelværdi, som bruges til at skelne mellem molekyler med signifikant effekt (“positive hits”) og molekyler uden stor nok effekt (“negative hits”). 

Computer-aided drug discovery, AI/ML/DL

Denne metode bruger computere og store datasæt til at forudsige og optimere lægemiddelkandidater. De seneste fremskridt inden for AI og machine learning (ML) har markant forbedret computeres evne til at analysere komplekse biologiske og kemiske datasæt samt modellere sammenhænge mellem struktur og funktion, hvilket muliggør både forudsigelse og generering af nye lægemiddelkandidater. Disse teknologier kan behandle enorme mængder biologiske og kemiske data og identificere skjulte mønstre og sammenhænge, som ville være svære eller umulige for mennesker at opdage. 

AI-drevne modeller kan forudsige nye molekylære strukturer, deres egenskaber og endda foreslå kemiske modifikationer for at forbedre effektivitet eller reducere toksicitet. Forbedring af lægemidlets effektivitet gør det bedre til at fremkalde den ønskede helbredende effekt, mens reduktion af toksicitet hjælper med at minimere skadelige bivirkninger, hvilket gør behandlinger sikrere og mere effektive. 

Denne teknologiske udvikling er især vigtig for forudsigelse af proteinstrukturer. Proteiner er essentielle for næsten alle biologiske processer, og deres funktion er tæt forbundet med deres tredimensionelle struktur. Et proteins form bestemmer, hvordan det interagerer med andre molekyler, herunder potentielle lægemidler. Det er også grunden til, at forkert foldede proteiner ikke fungerer korrekt og ofte er forbundet med sygdomme. Derfor kan forståelsen af proteiners struktur, selv blot en nogenlunde forudsigelse, hjælpe med lægemiddeldesign. 

En af de største ændringer inden for proteinstrukturforudsigelse skete med udviklingen af AlphaFold. AlphaFold blev udviklet af DeepMind ved hjælp af deep learning (DL). Programmet lærte at forudsige proteinstrukturer ud fra en aminosyresekvens alene ved at analysere store mængder kendte proteinstrukturer og deres tilsvarende sekvenser (se Figur 3). 

Dette gennembrud har haft stor betydning for drug discovery, hvor AlphaFold-forudsagte proteinstrukturer kan give information, der hjælper med at identificere bindingssteder og understøtter designet af biopharmaceutical-molekyler, der interagerer med det specifikke proteinmål. 

Dette fremskynder udviklingen af nye behandlinger, især mod proteinrelaterede lidelser, hvis struktur tidligere var vanskelig at studere eller var ukendt. Disse fremskridt har gjort det muligt at studere et bredere udvalg af sygdomme hurtigere og med større nøjagtighed for at kunne udvikle behandlinger til dem. 

Figur 3: Ved at indtaste en proteinsekvens i AlphaFold kan man generere en proteinstruktur for sekvensen, selv hvis proteinet ikke allerede eksistere. 

Andre programmer som RoseTTAFold (RF) diffusion gør det muligt at designe tidligere ikke-eksisterende proteiner ved hjælp af diffusion. Dette er nyttigt til at designe små proteiner, der binder til målproteinet, som blev forudsagt af AlphaFold. RFdiffusion genererer kun den 3D-proteinstruktur, der er nødvendig for at binde til et target. For at få en aminosyresekvens til den forudsagte struktur bruges et andet program; et populært valg er ProteinMPNN, som tager en proteinstruktur og forudsiger en sandsynlig aminosyresekvens, der kan folde sig til den givne struktur.

Aminosyresekvensen kan derefter oversættes til en tilsvarende DNA-sekvens, som fungerer som den opskrift, celler bruger til at bygge proteinet. DNA’et kan indsættes i genomet af en produktionscelle (f.eks. bakterier, gær, filamentøse svampe eller pattedyrsceller) ved hjælp af genetic engineering. Cellen kan nu producere det designede protein, som derefter kan oprenses og undersøges nærmere under karakteriseringsprocessen for at forstå dets funktion og egenskaber. 

At karakterisere et produkt 

Både under og efter drug discovery kommer karakterisering. Karakterisering er en proces, der har til formål at forstå produktet; dette inkluderer produktets struktur, funktion, stabilitet og biologiske aktivitet før, under og efter produktionen. For at bestemme disse egenskaber anvendes en kombination af fysikokemiske, biologiske og analytiske metoder både under dets udvikling og fremstilling. Mange forskellige teknikker er blevet udviklet til at karakterisere produkternes forskellige egenskaber, og nogle af de vigtigste forklares i følgende dropdowns, herunder SDS-Page geler, High-Performance Liquid Chromatography, Gaskromatografi og Massespektrometri.

Disse er blot nogle af de teknikker, der kan bruges til at karakterisere produktet. Årsagen til, at det er vigtigt at forstå sit produkt, skyldes to ting: 

• Når et nyt lægemiddel udvikles, skal det godkendes af myndighederne, hvilket kræver data om produktkarakterisering. Dette inkluderer information om dets kemiske struktur, renhed, stabilitet og opførsel i kroppen. 
• Derudover hjælper karakterisering af produktet med at definere, hvordan et succesfuldt produkt skal se ud og opføre sig. Dette er vigtigt i de senere produktionsfaser, hvor produktet skal opfylde specifikke kvalitets- og ydeevnestandarder for at sikre, at det er sikkert, effektivt og konsistent. Hvis disse krav ikke opfyldes, kan produktet ikke sælges. 

Det næste kapitel vil forklare, hvordan man vælger den rigtige cellefabrik til produktion af et specifikt produkt. Det vil dække, hvilke organismer der egner sig bedst til at producere forskellige typer produkter, og hvilke nøglefaktorer man skal tage i betragtning, når man vælger det mest effektive produktionssystem.