DK2250595T3 - Fremgangsmåde til at udvælge en optimeret divers population af varianter - Google Patents
Fremgangsmåde til at udvælge en optimeret divers population af varianter Download PDFInfo
- Publication number
- DK2250595T3 DK2250595T3 DK09710859.1T DK09710859T DK2250595T3 DK 2250595 T3 DK2250595 T3 DK 2250595T3 DK 09710859 T DK09710859 T DK 09710859T DK 2250595 T3 DK2250595 T3 DK 2250595T3
- Authority
- DK
- Denmark
- Prior art keywords
- polypeptide variants
- variants
- nvar
- operator
- fitness
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
- G16B35/20—Screening of libraries
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/60—In silico combinatorial chemistry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Library & Information Science (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Peptides Or Proteins (AREA)
Claims (10)
1. Computer-implementeret fremgangsmåde til at udvælge et optimeret, diverst sæt af bioaktive polypeptidvarianter fra en flerhed af bioaktive polypeptidvarianter, hvilken fremgangsmåde omfatter: (a) udvælge to eller flere ønskede egenskaber til optimering af en flerhed af bioaktive polypeptidvarianter, hvor hver bioaktiv polypeptidvariant i flerheden er beskrevet af to eller flere objektive data, hvor de objektive data omfatter data for hver af de to eller flere ønskede egenskaber og hvor de to eller flere ønskede egenskaber er enzymatisk aktivitet, stereoselektivitet, stereospecificitet, substratspecificitet, termisk stabilitet, opløsningsmiddelstabilitet, pH-stabilitet, inhibitorresistens, proteaseresistens, substratkonversion, og/eller toksicitet, for hver bioaktiv polypeptidvariant; (b) bestemme en første Pareto-front-medlemskab for hver af flerheden af bioaktive polypeptidvarianter baseret på de to eller flere ønskede egenskaber af optimering, hvor Pareto-fronten konstrueres ved at indlæsning af en ikke-dominans-klassificeringsalgoritme på de bioaktive polypeptidvarianter, således at Pareto-fronten er optaget af bioaktive polypeptidvarianter der er ikke-domineret af andre bioaktive polypeptidvarianter i mindst et af de to eller flere objektive data; (c) indstilling af optimeringsparametre, hvor optimeringsparametrene omfatter: (i) et antal nvar af polypeptidvarianter at danne, hvor nvar et endeligt antal og begrænser størrelsen af et endeligt sæt polypeptidvarianter; (ii) polypeptidvariant-populationstørrelse popSize, hvor popSize er det indledende antal sæt af nvar-polypeptidvarianter genereret; (iii) en crossover-rate crossrate; (iv) en mutationsrate mutrate; (v) en fitnessfunktion omfattende en straf-fitnessfunktion og en samlet fitnessfunktion, hvor straf-fitnessfunktionen er baseret på nichetælling og den samlede fitnessfunktion er baseret på tildeling af polypeptidvarianter til nedadgående Pareto-fronter konstrueret ved at fjerne alle polypeptidvarianter fra den første Pareto-front og derefter indlæse ikke-dominans-klassificeringsalgoritmen på de resterende polypeptidvarianter, og dele disse fitnessværdier med antallet af delte naboer, hvor stadig nedadgående Pareto-fronter betegner lavere fitnessniveauer; og (vi) specifikke polypeptidvarianter der eventuelt kan være inkluderet i nvar-sættet af polypeptidvarianter; og (d) identificere en søgeramme af optimerede, diverse polypeptidvarianter, under anvendelse af nedadgående Pareto-fronter for at identificere polypeptidvarianter mindre egnet end dem i den første Pareto-front men som kan tilvejebringe diversitet; (e) generere en tilfældig population af genomer fra søgerammen af optimerede, diverse polypeptidvarianter, hvor hvert genom består af nvar-polypeptidvarianter; (f) udvælge et første sæt af genomer af størrelse popSize fra den tilfældige population, hvor hvert genom bestående af nvar polypeptidvarianter dannes ved at påføre en selektionsoperator, en crossover-operator, der påfører crossrate; en mutationsoperator, der påfører mutrate; en repair-operator, der anvendes til at anbringe begrænsninger på valget ved at indskrænke størrelsen af et afkoms-genom til et bruger-defineret endeligt antal nvar, og en fitnessoperator, der påfører fitnessfunktionen, til den tilfældige population af genomer; (g) returnere genomet med den højeste fitness som det endelige, optimerede, diverse nvar-sæt af polypeptidvarianter; og (h) generere sættet af polypeptidvarianter fra trin (g) ved en rekombinant teknik, og udtrykke hver variant i et passende ekspressionssystem, og evaluere de syntetiserede polypeptider for de to eller flere ønskede egenskaber.
2. Fremgangsmåden ifølge krav 1, hvor de bioaktive polypeptider omfattende det endelige sæt eventuelt binder en ligand og/eller omfatter et enzym.
3. Fremgangsmåden ifølge krav 1 hvor de objektive data omfatter data for substratspecificitet, og hvor substratspecificiteten eventuelt er til to eller flere strukturelt forskellige substrater.
4. Fremgangsmåden ifølge krav 1 yderligere omfattende: (i) indstille en optimeringsparameter omfattende et antal generationer for at danne nGen; og (ii) gentage trin (f) nGen-gange for at udvælge af nyt sæt af genomer af størrelse popSize.
5. Computerprogramprodukt omfattende et maskin-læsbart medium med programinstruktioner til udvælgelse af et optimeret, diverst sæt af bioaktive polypeptidvarianter fra en flerhed af bioaktive polypeptidvarianter, programinstruktionerne omfattende: (a) kode til modtagelse af et objektivt datasæt for hver af en flerhed af bioaktive polypeptidvarianter, hvor hver bioaktiv polypeptidvariant i flerheden er beskrevet af to eller flere objektive data, hvor de objektive data omfatter data for hver af to eller flere ønskede egenskaber og hvor de to eller flere ønskede egenskaber er enzymatisk aktivitet, stereoselektivitet, stereospecificitet, termisk stabilitet, opløsningsmiddelstabilitet, pH-stabilitet, inhibitorresistens, proteaseresistens, substratkonversion, og/eller toksicitet, for hver bioaktiv polypeptidvariant; (b) kode til at bestemme en første Pareto-front-medlemsskab for hver af flerheden af bioaktive polypeptidvarianter baseret på to eller flere ønskede egenskaber valgt til optimering, hvor Pareto-fronten konstrueres ved at indlæsning af en ikke-dominans-klassificeringsalgoritme på de bioaktive polypeptidvarianter, således at Pareto-fronten er optaget af bioaktive polypeptidvarianter der er ikke-domineret af andre bioaktive polypeptidvarianter i mindst et af de to eller flere objektive data; (c) kode til at indstilling af optimeringsparametre, hvor optimeringsparametrene omfatter: (i) et antal nvar af polypeptidvarianter at danne, hvor nvar er et endeligt antal og begrænser størrelsen af et endeligt sæt polypeptidvarianter; (ii) polypeptidvariant-populationstørrelse popSize, hvor popSize er det indledende antal sæt af nvar polypeptidvarianter genereret; (iii) en crossover-rate crossrate; (iv) en mutationsrate mutrate; (v) en fitnessfunktion omfattende en straf-fitnessfunktion og en samlet fitnessfunktion, hvor straf-fitnessfunktionen er baseret på nichetælling og den samlede fitnessfunktion er baseret på tildeling af polypeptidvarianter til nedadgående Pareto-fronter konstrueret ved at fjerne alle polypeptidvarianter fra den første Pareto-front og derefter indlæse ikke-dominans-klassificeringsalgoritmen på de resterende polypeptidvarianter, og dele disse fitnessværdier med antallet af delte naboer, hvor stadig nedadgående Pareto-fronter betegner lavere fitnessniveauer; og (vi) specifikke polypeptidvarianter der eventuelt kan være inkluderet i nvar-sættet af polypeptidvarianter; og (d) kode til at identificere en søgeramme af optimerede, diverse polypeptidvarianter, under anvendelse af nedadgående Pareto-fronter til at identificere polypeptidvarianter der passer mindre end dem i den første Pareto-front men som kan tilvejebringe diversitet; (e) kode til at generere en tilfældig population af genomer fra søgerammen af optimerede, diverse polypeptidvarianter til en selektionsoperator, hvor hvert genom består af nvar polypeptidvarianter; (f) kode til at udvælge et første sæt af genomer af størrelse popSize fra den tilfældige population, hvor hvert genom bestående af nvar-polypeptidvarianter dannes ved at påføre en selektionsoperator, en crossover-operator, der påfører crossrate; en mutationsoperator, der påfører mutrate; en repair-operator, der anvendes til at anbringe begrænsninger på valget ved at indskrænke størrelsen af et afkoms-genom til et bruger-defineret endeligt antal nvar; og en fitnessoperator, der påfører fitnessfunktionen, til den tilfældige population af genomer; (g) kode til at returnere genomet med den højeste fitness som det endelige, optimerede, diverse nvar-sæt af polypeptidvarianter; og (h) kode til at generere sættet af polypeptidvarianter fra trin (g) ved en rekombinant teknik, og udtrykke hver variant i et passende ekspressionssystem, og evaluere de syntetiserede polypeptider for de to eller flere ønskede egenskaber.
6. Computerprogramproduktet ifølge krav 5, yderligere omfattende: (i) kode til at indstille en optimeringsparameter omfattende et antal generationer for at danne nGen; og (ii) kode til at gentage trin (f) nGen-gange for at udvælge en ny population af genomer af størrelsen popSize.
7. System til at udvælge et optimeret, diverst sæt af bioaktive polypeptidvarianter fra en flerhed af bioaktive polypeptidvarianter, omfattende: (a) mindst én computer omfattende en database der er i stand til at lagre et objektivt datasæt til en flerhed af bioaktive polypeptidvarianter, hvor hver bioaktiv polypeptidvariant i flerheden er beskrevet af to eller flere objektive data, hvor de objektive data omfatter data for hver af to eller flere ønskede egenskaber og hvor de to eller flere ønskede egenskaber er enzymatisk aktivitet enzymatisk aktivitet, stereoselektivitet, stereospecificitet, termisk stabilitet, opløsningsmiddelstabilitet, pH-stabilitet, inhibitorresistens, proteaseresistens, substratkonversion, og/eller toksicitet, for hver bioaktiv polypeptidvariant; (b) systemsoftware omfattende én eller flere logiske instruktioner for: (i) modtage de objektive datasæt omfattende to eller flere objektive data for hver bioaktiv polypeptidvariant; (ii) bestemme et første Pareto-front-medlemsskab for hver af flerheden af bioaktive polypeptidvarianter baseret på to eller flere ønskede egenskaber valgt til optimering, hvor Pareto-fronten konstrueres ved indlæsning afen ikke-dominans-klassificeringsalgoritme på de bioaktive polypeptidvarianter, således at Pareto-fronten er optaget af bioaktive polypeptidvarianter der er ikke-domineret af andre bioaktive polypeptidvarianter i mindst et af de to eller flere objektive data; (iii) indstilling af optimeringsparametre, hvor optimeringsparametrene omfatter: (a) et antal nvar-polypeptidvarianter at danne, hvor nvar er et endeligt antal og begrænser størrelsen af et endeligt sæt polypeptidvarianter; (b) polypeptidvariant-populationstørrelse popSize, hvor popSize er det indledende antal sæt af nvar polypeptidvarianter genereret; (c) en crossover-rate crossrate·, (d) en mutationsrate mutrate·, (e) en fitnessfunktion omfattende en straf-fitnessfunktion og en samlet fitnessfunktion, hvor straf-fitnessfunktionen er baseret på nichetælling og den samlede fitnessfunktion er baseret på tildeling af polypeptidvarianter til nedadgående Pareto-fronter konstrueret ved at fjerne alle polypeptidvarianter fra den første Pareto-front og derefter indlæse ikke-dominans-klassificeringsalgoritmen på de resterende polypeptidvarianter, og dele disse fitnessværdier med antallet af delte naboer, hvor stadig nedadgående Pareto-fronter betegner lavere fitnessniveauer; og (f) specifikke polypeptidvarianter der eventuelt kan være inkluderet i the nvar sæt af polypeptidvarianter; og (iv) identificere en søgeramme af optimerede, diverse polypeptidvarianter, under anvendelse af nedadgående Pareto- fronter for at identificere polypeptidvarianter der passer mindre end dem i den første Pareto-front men som kan tilvejebringe diversitet; (v) generere en tilfældig population af genomer fra søgerammen af optimerede, diverse polypeptidvarianter af en selektionsoperator, hvor hvert genom består af nvar polypeptidvarianter; (vi) udvælge et første sæt af genomer af størrelsen popSize fra den tilfældige population, hvor hvert genom bestående af m/ar-polypeptidvarianter dannes ved at påføre en selektionsoperator, en crossover-operator, der påfører crossrate; en mutationsoperator, der påfører mutrate} en repair-operator, der anvendes til at anbringe begrænsninger på valget ved at indskrænke størrelsen af et afkoms-genom til et bruger-defineret endeligt antal nvar, og en fitness-operator, der påfører fitnessfunktionen, til den tilfældige population af genomer; (vii) returnere genomet med den højeste fitness som det endelige, optimerede, diverse nvar-sæt af polypeptidvarianter; og (viii) generere sættet af polypeptidvarianter fra trin (vii) ved en rekombinant teknik, og udtrykke hver variant i et passende ekspressionssystem, og evaluere de syntetiserede polypeptider for de to eller flere ønskede egenskaber.
8. Systemet ifølge krav 7, yderligere omfattende: (i) systemsoftware omfattende én eller flere logiske instruktioner til indstilling af en optimeringsparameter omfattende et antal generationer for at danne nGen; og (ii) logisk instruktioner for at gentage trin (vi) nGen-gange for at udvælge en ny population af genomer af størrelse popSize.
9. Fremgangsmåden ifølge krav 1, hvor fremgangsmåden implementeres på et netværk, og hvor: (a) de objektive data og optimeringsparametre optages ved en brugerindretning; (b) søgerammen identificeres ved en server; (c) operatorerne anvender serveren; og (d) den tilfældige population af genomer genereres af serveren.
10. Fremgangsmåden ifølge krav 9, hvor netværket omfatter Internettet.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US2816608P | 2008-02-12 | 2008-02-12 | |
| PCT/US2009/033969 WO2009102899A1 (en) | 2008-02-12 | 2009-02-12 | Method of generating an optimized diverse population of variants |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DK2250595T3 true DK2250595T3 (da) | 2017-09-04 |
Family
ID=40577747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DK09710859.1T DK2250595T3 (da) | 2008-02-12 | 2009-02-12 | Fremgangsmåde til at udvælge en optimeret divers population af varianter |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US8504498B2 (da) |
| EP (1) | EP2250595B1 (da) |
| DK (1) | DK2250595T3 (da) |
| HU (1) | HUE034642T2 (da) |
| WO (1) | WO2009102899A1 (da) |
Families Citing this family (52)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090118130A1 (en) | 2007-02-12 | 2009-05-07 | Codexis, Inc. | Structure-activity relationships |
| US9660947B1 (en) * | 2012-07-27 | 2017-05-23 | Intuit Inc. | Method and apparatus for filtering undesirable content based on anti-tags |
| CN104155931B (zh) * | 2014-07-04 | 2015-11-18 | 广东工业大学 | 基于nsga-ii的轮胎模具加工及装配集成优化方法 |
| SG11201703258PA (en) | 2014-11-25 | 2017-05-30 | Codexis Inc | Engineered imine reductases and methods for the reductive amination of ketone and amine compounds |
| PL3237621T3 (pl) | 2014-12-22 | 2023-10-30 | Codexis, Inc. | Warianty ludzkiej alfa-galaktozydazy |
| JP6368686B2 (ja) * | 2015-06-10 | 2018-08-01 | 東京エレクトロン株式会社 | 熱処理装置、熱処理装置の調整方法、及び、プログラム |
| WO2017129437A1 (en) * | 2016-01-28 | 2017-08-03 | Koninklijke Philips N.V. | Data reduction for reducing a data set |
| MX2018013259A (es) | 2016-05-05 | 2019-04-22 | Codexis Inc | Penicilina g acilasas. |
| EP3469088B1 (en) | 2016-06-09 | 2023-09-06 | Codexis, Inc. | Biocatalysts and methods for hydroxylation of chemical compounds |
| SG11201810998WA (en) | 2016-06-15 | 2019-01-30 | Codexis Inc | Engineered beta-glucosidases and glucosylation methods |
| EP3515926B1 (en) | 2016-08-26 | 2023-10-25 | Codexis, Inc. | Engineered imine reductases and methods for the reductive amination of ketone and amine compounds |
| SG11201906480QA (en) | 2017-02-03 | 2019-08-27 | Codexis Inc | Engineered glycosyltransferases and steviol glycoside glucosylation methods |
| WO2018148633A1 (en) | 2017-02-13 | 2018-08-16 | Codexis, Inc. | Engineered phenylalanine ammonia lyase polypeptides |
| SG11201909712TA (en) | 2017-04-27 | 2019-11-28 | Codexis Inc | Ketoreductase polypeptides and polynucleotides |
| EP3957723A3 (en) | 2017-05-08 | 2022-04-20 | Codexis, Inc. | Engineered ligase variants |
| EP3638688A4 (en) | 2017-06-14 | 2021-07-07 | Codexis, Inc. | MODIFIED TRANSAMINASE POLYPEPTIDES INTENDED FOR INDUSTRIAL BIOCATALYSIS |
| CN111051506B (zh) | 2017-06-27 | 2023-11-24 | 科德克希思公司 | 青霉素g酰化酶 |
| KR20200023454A (ko) | 2017-06-30 | 2020-03-04 | 코덱시스, 인코포레이티드 | T7 rna 폴리머라제 변이체 |
| AU2018292105A1 (en) | 2017-06-30 | 2019-12-19 | Codexis, Inc. | T7 RNA polymerase variants |
| JP2021502068A (ja) | 2017-11-07 | 2021-01-28 | コデクシス， インコーポレイテッド | トランスグルタミナーゼバリアント |
| JP2021506252A (ja) | 2017-12-13 | 2021-02-22 | コデクシス， インコーポレイテッド | アミドカップリングのためのカルボキシエステラーゼポリペプチド |
| WO2019241132A1 (en) | 2018-06-12 | 2019-12-19 | Codexis, Inc. | Engineered tyrosine ammonia lyase |
| AU2019300838A1 (en) | 2018-07-09 | 2021-01-07 | Codexis, Inc. | Engineered pantothenate kinase variant enzymes |
| AU2019302422B2 (en) | 2018-07-09 | 2022-08-04 | Codexis, Inc. | Engineered phosphopentomutase variant enzymes |
| WO2020014047A1 (en) | 2018-07-09 | 2020-01-16 | Codexis, Inc. | Engineered purine nucleoside phosphorylase variant enzymes |
| KR20210030379A (ko) | 2018-07-09 | 2021-03-17 | 코덱시스, 인코포레이티드 | 조작된 갈락토스 옥시다제 변이 효소 |
| CA3103721A1 (en) | 2018-07-09 | 2020-01-16 | Codexis, Inc. | Engineered deoxyribose-phosphate aldolases |
| CN112672989A (zh) | 2018-07-12 | 2021-04-16 | 科德克希思公司 | 工程化苯丙氨酸氨裂合酶多肽 |
| AU2019314181B2 (en) | 2018-07-30 | 2024-10-17 | Tate & Lyle Solutions Usa Llc | Engineered glycosyltransferases and steviol glycoside glucosylation methods |
| SG11202103639SA (en) | 2018-10-29 | 2021-05-28 | Codexis Inc | Engineered dna polymerase variants |
| WO2020123286A1 (en) | 2018-12-14 | 2020-06-18 | Codexis, Inc. | Engineered tyrosine ammonia lyase |
| US11427813B2 (en) | 2018-12-20 | 2022-08-30 | Codexis, Inc. | Human alpha-galactosidase variants |
| CN109947745B (zh) * | 2019-03-28 | 2021-08-20 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
| CN110400073B (zh) * | 2019-07-24 | 2023-07-28 | 河南工业大学 | 一种基于多方向收敛粒子群优化算法的fsp方法及系统 |
| MX2022002473A (es) | 2019-08-30 | 2022-08-02 | Codexis Inc | Variantes de lipasa modificadas geneticamente. |
| EP4027969A4 (en) | 2019-09-12 | 2023-09-27 | Codexis, Inc. | PEROXIDASE ACTIVITY TOWARDS 10-ACETYL -3,7-DIHYDROXYPHENOXAZINE |
| CA3165484A1 (en) | 2019-12-20 | 2021-06-24 | Codexis, Inc. | Engineered acid alpha-glucosidase variants |
| CA3179751A1 (en) | 2020-04-10 | 2021-10-14 | Codexis, Inc. | Engineered transaminase polypeptides |
| BR112023003606A2 (pt) | 2020-08-28 | 2023-03-28 | Codexis Inc | Protease recombinante, composição, sequência polinucleotídica recombinante, vetor de expressão, célula hospedeira, métodos para produzir uma protease recombinante e para tratar e/ou prevenir os sintomas de insuficiência pancreática, e, uso |
| CN116897205A (zh) | 2020-08-28 | 2023-10-17 | 科德克希思公司 | 工程化淀粉酶变体 |
| CA3194021A1 (en) * | 2020-09-03 | 2022-03-10 | Melonfrost, Inc. | Machine learning and control systems and methods for learning and steering evolutionary dynamics |
| US20220108186A1 (en) * | 2020-10-02 | 2022-04-07 | Francisco Daniel Filip Duarte | Niche Ranking Method |
| EP4262804A2 (en) | 2020-12-18 | 2023-10-25 | Codexis, Inc. | Engineered uridine phosphorylase variant enzymes |
| JP2022118555A (ja) * | 2021-02-02 | 2022-08-15 | 富士通株式会社 | 最適化装置、最適化方法、及び最適化プログラム |
| WO2022212824A1 (en) | 2021-04-02 | 2022-10-06 | Codexis, Inc. | Engineered adenylate kinase variant enzymes |
| CN117157397A (zh) | 2021-04-02 | 2023-12-01 | 科德克希思公司 | 工程化环状GMP-AMP合酶(cGAS)变体酶 |
| CN117222735A (zh) | 2021-04-02 | 2023-12-12 | 科德克希思公司 | 工程化乙酸激酶变体酶 |
| EP4314262A1 (en) | 2021-04-02 | 2024-02-07 | Codexis, Inc. | Engineered guanylate kinase variant enzymes |
| BR112023024198A2 (pt) | 2021-05-21 | 2024-01-30 | Codexis Inc | Fragmento de metionina gama liase recombinante e/ou de metionina gama liase recombinante biologicamente ativo, fragmento de metionina gama liase m recombinante e/ou biologicamente ativo do mesmo, metionina gama liase recombinante, polinucleotídeo recombinante, vetor de expressão, célula hospedeira, métodos para produzir uma metionina gama liase recombinante e para tratar e/ou prevenir os sintomas de homocistinúria em um indivíduo, composição farmacêutica, e, uso de um polipeptídeo de metionina gama liase recombinante ou da composição |
| US12129495B2 (en) | 2021-10-15 | 2024-10-29 | Codexis, Inc. | Engineered DNA polymerase variants |
| CN115234220B (zh) * | 2022-08-30 | 2024-07-16 | 北京信息科技大学 | 利用智能钻头实时识别井下粘滑振动的方法及装置 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6117679A (en) | 1994-02-17 | 2000-09-12 | Maxygen, Inc. | Methods for generating polynucleotides having desired characteristics by iterative selection and recombination |
| US6335160B1 (en) | 1995-02-17 | 2002-01-01 | Maxygen, Inc. | Methods and compositions for polypeptide engineering |
| US5834252A (en) | 1995-04-18 | 1998-11-10 | Glaxo Group Limited | End-complementary polymerase reaction |
| US5605793A (en) | 1994-02-17 | 1997-02-25 | Affymax Technologies N.V. | Methods for in vitro recombination |
| EP1036198B1 (en) | 1997-12-08 | 2012-09-26 | California Institute Of Technology | Method for creating polynucleotide and polypeptide sequences |
| US6376246B1 (en) | 1999-02-05 | 2002-04-23 | Maxygen, Inc. | Oligonucleotide mediated nucleic acid recombination |
| IL138002A0 (en) | 1999-01-19 | 2001-10-31 | Maxygen Inc | Methods for making character strings, polynucleotides and polypeptides having desired characteristics |
| GB2375536A (en) | 2000-12-01 | 2002-11-20 | Univ Sheffield | Combinatorial molecule design system and method |
| GB0106459D0 (en) | 2001-03-15 | 2001-05-02 | Marconi Comm Ltd | Hardware design using evolutionary algorithms |
| US7747391B2 (en) | 2002-03-01 | 2010-06-29 | Maxygen, Inc. | Methods, systems, and software for identifying functional biomolecules |
| US20050084907A1 (en) | 2002-03-01 | 2005-04-21 | Maxygen, Inc. | Methods, systems, and software for identifying functional biomolecules |
| DK2278509T3 (da) * | 2002-03-01 | 2014-12-15 | Codexis Mayflower Holdings Llc | Fremgangsmåder, systemer og software til identificering af funktionelle biomolekyler |
| WO2004090692A2 (en) | 2003-04-04 | 2004-10-21 | Icosystem Corporation | Methods and systems for interactive evolutionary computing (iec) |
| EP1589463A1 (en) | 2004-04-21 | 2005-10-26 | Avantium International B.V. | Molecular entity design method |
| US8131656B2 (en) | 2006-01-31 | 2012-03-06 | The Board Of Trustees Of The University Of Illinois | Adaptive optimization methods |
| US20090312196A1 (en) | 2008-06-13 | 2009-12-17 | Codexis, Inc. | Method of synthesizing polynucleotide variants |
-
2009
- 2009-02-12 HU HUE09710859A patent/HUE034642T2/en unknown
- 2009-02-12 WO PCT/US2009/033969 patent/WO2009102899A1/en active Application Filing
- 2009-02-12 EP EP09710859.1A patent/EP2250595B1/en active Active
- 2009-02-12 US US12/867,429 patent/US8504498B2/en active Active
- 2009-02-12 DK DK09710859.1T patent/DK2250595T3/da active
Also Published As
| Publication number | Publication date |
|---|---|
| US8504498B2 (en) | 2013-08-06 |
| EP2250595B1 (en) | 2017-06-14 |
| HUE034642T2 (en) | 2018-02-28 |
| WO2009102899A1 (en) | 2009-08-20 |
| US20110029468A1 (en) | 2011-02-03 |
| EP2250595A1 (en) | 2010-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DK2250595T3 (da) | Fremgangsmåde til at udvælge en optimeret divers population af varianter | |
| US8768871B2 (en) | Method of generating an optimized, diverse population of variants | |
| US7747391B2 (en) | Methods, systems, and software for identifying functional biomolecules | |
| JP5319865B2 (ja) | 機能的生体分子を同定する方法、システム、およびソフトウェア | |
| US9864833B2 (en) | Methods, systems, and software for identifying functional bio-molecules | |
| Fogel | Computational intelligence approaches for pattern discovery in biological systems | |
| Pitt et al. | SEWAL: an open-source platform for next-generation sequence analysis and visualization | |
| DK2250594T3 (da) | Fremgangsmåde til generering af en optimeret, forskelligartet population af varianter | |
| Backofen et al. | Bioinformatics and constraints |