DNA-/RNA-Sequenzdesign: mRNA, regulatorische Elemente & Produktionsstämme

Die Expression eines Gens hängt von weit mehr ab als von der Proteinsequenz: Codon-Wahl, mRNA-Struktur, UTRs, Promotoren und der Stoffwechsel des Wirts spielen alle eine Rolle. Nukleotid-Sprachmodelle und aufgabenspezifisches maschinelles Lernen schlagen heute Sequenzen vor, die vor der Synthese auf Expression und Stabilität bewertet werden. So kommen Design-Build-Test-Learn-Zyklen mit weniger Laborrunden aus. Typische Anwender sind Entwickler von mRNA-Therapeutika, Hersteller von Enzymen und Inhaltsstoffen sowie Teams der synthetischen Biologie.

Problem & Nutzen

• Heute: Ein Protein wird mit einer Codon-Usage-Tabelle (oder einem Anbieter-Werkzeug) rückübersetzt, eine Standard-UTR und ein Standard-Promotor werden gewählt, und einige Dutzend bis Tausende Varianten werden im Labor getestet. Faustregeln (Codon Adaptation Index, GC-Gehalt) korrelieren nur mäßig mit der tatsächlichen Expression, und die Ergebnisse hängen von Wirt, Kontext und Verabreichung ab.
• KI-Nutzen: Die Zuordnung von Sequenz zu Funktion wird aus den eigenen Screenings der Organisation und aus vortrainierten Nukleotidmodellen gelernt; anschließend werden die Varianten mit den besten Erfolgsaussichten ausgewählt. Der Gewinn zeigt sich in weniger Screening-Runden und höheren Titern bzw. Proteinausbeuten. Veröffentlichte Verbesserungen sind assay-spezifisch. Vergleichen Sie daher mit Ihrer eigenen Ausgangsbasis, statt Herstellerzahlen zu übernehmen.
• EU-Kontext: Die EU-Initiative für Biotechnologie und Biofertigung und der Vorschlag für einen EU Biotech Act sollen die europäische Biofertigung stärken. Die Nachfrage kommt vor allem aus mRNA-Kapazitäten (Standorte von BioNTech, CureVac und Moderna in Europa) und aus der industriellen Biotechnologie (Enzyme, Inhaltsstoffe, Biochemikalien).

Varianten

• mRNA-Therapeutika und Impfstoffe: Codon-Optimierung, Design der 5'/3'-UTR, Wahl von Poly-A und modifizierten Nukleosiden, Vorhersage von Sekundärstruktur und Stabilität, geringere Nebenwirkungen durch die angeborene Immunantwort.
• Regulatorische Elemente: Promotoren, Enhancer, Ribosomenbindestellen, Terminatoren, Riboswitches; zelltypspezifische Elemente für die Gentherapie (Größenbegrenzung der AAV-Nutzlast).
• Mikrobielle Stammentwicklung: Stoffwechselweg-Gene, Abstimmung der Expression, Genomeingriffe (E. coli, Bacillus, Hefe, Corynebacterium, CHO) für Enzyme, Proteine und niedermolekulare Stoffe.
• Genschaltkreise und zellfreie Systeme: Logik, Sensoren und Biosensoren, zellfreie Expression.
• Pflanzen und Tiere: regulatorische Eingriffe zur Unterstützung von Zuchtprogrammen, siehe SCI-020.
• Private Nutzung: keine sinnvolle; dies ist eine laborgebundene, regulierte Tätigkeit.

So funktioniert es

1. Ziel + Wirt + Randbedingungen
2. Kandidatenerzeugung (Regeln, generatives Nukleotid-Sprachmodell, evolutionäre / Bayes'sche Suche)
3. In-silico-Bewertung (Expression, Stabilität, Struktur, Immunogenität, Motiv- und IP-Filter)
4. Biosicherheits- und Sequenzscreening
5. Synthesebestellung (DNA-Anbieter)
6. Aufbau (Klonierung, IVT, Transfektion, Stammkonstruktion)
7. Test (Plattenassays, MPRA, RNA-seq, Titer)
8. Daten zurück ins Modell (Active Learning)

• Nukleotid-Sprachmodelle (Evo 2, Nucleotide Transformer, Caduceus, DNABERT-Familie) sind auf Genomen vortrainiert und liefern Zero-Shot-Wahrscheinlichkeitswerte und Einbettungen; Evo 2 kann zudem Sequenzen erzeugen.
• Überwachte Vorhersagemodelle (CNNs, Gradient Boosting, kleine Transformer), trainiert auf MPRA- oder Screening-Daten, bleiben meist die zuverlässigsten Bewerter für eine klar definierte Aufgabe und einen bestimmten Wirt.
• mRNA-spezifische Werkzeuge verbinden die Codon-Wahl mit Zielgrößen wie minimaler freier Energie und Struktur (zum Beispiel LinearDesign für die gemeinsame Optimierung von Codons und Struktur).
• Geschlossener Kreislauf: Bayessche Optimierung oder Active Learning wählt die nächste Charge aus; Anbindung an die Laborautomatisierung (SCI-007). Mensch-in-der-Schleife (Human-in-the-Loop): Wissenschaftler legen die Vorgaben fest und geben die Bestellung frei; ein(e) Biosicherheitsbeauftragte(r) zeichnet das Biosecurity-Screening ab, bevor etwas synthetisiert wird.

Datenaufbereitung

Benötigt werden die Codon-Usage-Tabellen des Wirts, Ihre eigenen Assay-Ergebnisse (Plattenleser, MPRA, RNA-seq, Titer) und die zugehörigen Sequenzdesigns. In der Praxis liegen diese in ELN-/LIMS-Einträgen, in Geräteexporten auf Laborfreigaben, in Excel-Tabellen einzelner Wissenschaftler und manchmal in Papier-Laborbüchern. Typische Lücken sind Messungen ohne genaue Sequenz oder Konstrukt-ID, uneinheitliche Einheiten und Plattenlayouts, undokumentierte Assay-Bedingungen, fehlgeschlagene Läufe zwischen gültigen sowie doppelte oder umbenannte Konstrukte.

Schritte der Aufbereitung: 1. Legen Sie ein einheitliches Schema für Konstrukt-IDs fest und verknüpfen Sie jede Messung mit ihrer vollständigen Sequenz (siehe PREP-002 für die Lückenanalyse und PREP-004 für die Datenverantwortung). 2. Exportieren Sie Geräte- und ELN-/LIMS-Daten über APIs oder skriptgesteuerte Exporte (PREP-005) und überführen Sie Excel-Ergebnisse in saubere Tabellen (PREP-011). 3. Erfassen Sie Assay-Metadaten (Wirt, Medium, Zeitpunkt, Replikat) und kennzeichnen Sie fehlgeschlagene Läufe. 4. Halten Sie ganze Sequenzfamilien als Testmenge zurück (PREP-018). 5. Behandeln Sie unveröffentlichte Sequenzen als Betriebsgeheimnisse und klassifizieren Sie sie, bevor sie in einer Cloud verwendet werden (PREP-024).

Rechnen Sie mit etwa 30 bis 40 Prozent des Gesamtaufwands für die Datenaufbereitung. Ohne saubere Paare aus Sequenz und Messwert sind die Modellbewertungen unzuverlässig, gleich welches Modell Sie einsetzen. Öffentliche Daten (zum Beispiel MPRA-Datensätze) können ein erstes Modell anstoßen, doch Ihre eigenen Assays bestimmen die endgültige Qualität.

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg B, da Designdaten und unveröffentlichte Sequenzen zum Kern des geistigen Eigentums gehören, gehostete Nukleotidmodelle (BioNeMo/NIM in einer EU-Region) aber den Aufbau eines eigenen GPU-Betriebs ersparen; wechseln Sie zu C, wenn Sequenzen den Standort nie verlassen dürfen.
• Developer: Weg C, da offene Modelle wie Evo 2 zusammen mit ViennaRNA und BoTorch auf HW3-Niveau volle Kontrolle und Reproduzierbarkeit bieten.

Weg A — Kaufen (Standardsoftware)

• Design-Plattformen und -Dienste: Ginkgo Bioworks (Datapoints, Modell-API), Asimov (genetisches Design für Zell- und Gentherapie und CHO), Twist Bioscience (Design und Synthese), Benchling (F&E-Daten und Design-Workflow), Profluent und Cradle (Protein im Fokus, teils mit DNA-Funktionen).
• Optionen für Gensynthese in der EU: Eurofins Genomics (DE) und die EU-Standorte von Azenta/GENEWIZ bieten Codon-optimierte Gensynthese an; prüfen Sie, wo Designdaten und Sequenzen verarbeitet werden, da geistiges Eigentum vor der Veröffentlichung sensibel ist.
• Wählen Sie A, wenn: Sie ein Ergebnis möchten und kein eigenes Modellierungsteam, und die Designaufgabe Standard ist (sezerniertes Protein in CHO oder E. coli).

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlener Standard)

• Gehostete Nukleotidmodelle: Evo 2 über NVIDIA BioNeMo / NIM-Microservices sowie gehostete Endpunkte von Modellanbietern; das Arc Institute stellt Modellzugang und Gewichte bereit.
• Orchestrierung: Python mit Biopython, einer Bibliothek für Bayessche Optimierung (BoTorch/Ax) und dem LIMS oder ELN (Benchling-API); LLM-Agenten (llm-general) helfen bei Literatur, Formulierung von Vorgaben und Versuchsprotokollen, jedoch nicht als Bewerter der Sequenzen.
• Wählen Sie B, wenn: Sie eigene Assay-Daten und ein kleines ML-Team haben und die Sequenzen nicht so geheim sind, dass sie On-Premises bleiben müssen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Evo 2 (offene Gewichte, Varianten mit 7 und 40 Mrd. Parametern; 1 Mb Kontext), Nucleotide Transformer, Caduceus, DNABERT-2, RNA-FM und ähnliche RNA-Modelle; Modelle der Klasse Enformer / Borzoi zur Expressionsvorhersage aus der Sequenz; ViennaRNA und LinearDesign für die Struktur.
• Stack: PyTorch, Serving im Stil von vLLM oder der Evo-2-Referenzcode, BoTorch, Snakemake oder Nextflow für Pipelines.
• Hardware: Die 7B-Modelle laufen auf HW3; das 40B-Modell braucht HW3/HW4 mit Quantisierung oder mehrere GPUs. Feintuning erfordert HW4.

Weg D — Eigenes Training

Lohnt sich, wenn Sie einen großen eigenen Screening-Datensatz besitzen (Tausende bis Millionen Paare aus Sequenz und Messwert in Ihrem Wirt und Format). Trainieren Sie ein vortrainiertes Nukleotidmodell per Feintuning nach oder ein aufgabenspezifisches CNN/Transformer-Modell auf MPRA-artigen Daten. Qualität und Reproduzierbarkeit der Assays zählen mehr als die Modellgröße; halten Sie bei der Validierung ganze Sequenzfamilien zurück.

Stand der Technik (2026)

• Foundation-Modelle: Evo 2 (Arc Institute, NVIDIA und Partner) wurde auf Genomen aus allen Domänen des Lebens trainiert, ist mit offenen Gewichten und Code veröffentlicht und zeigt Zero-Shot-Vorhersage von Variantenwirkungen sowie Generierung im Genommaßstab. Die Erzeugung funktionsfähiger, neuartiger vollständiger Genome ist bisher nur für kleine Phagen berichtet, mit umfangreicher Laborvalidierung.
• Benchmarks: Zero-Shot-Wahrscheinlichkeiten helfen bei Variantenwirkungen, doch beim Design von UTRs und Promotoren für einen bestimmten Wirt gewinnen überwachte Modelle, die auf passenden Daten trainiert wurden, oft weiterhin. Benchmarks und Wettbewerbe der Fachgemeinschaft (zum Beispiel die Random Promoter DREAM Challenge) zeigen das.
• mRNA-Design: Strukturbewusste Codon-Optimierung (LinearDesign) und ML auf MPRA-Daten für UTRs sind bei führenden mRNA-Unternehmen Standard; Translation und Immunogenität in vivo folgen den In-vitro-Vorhersagen nicht immer.
• Grenzen und Fehlerbilder: halluzinierte Sequenzen mit plausibler Statistik, aber ohne Funktion; schlechte Übertragbarkeit zwischen Wirten, Zelltypen und Verabreichungsformen; Verzerrung der Trainingsdaten zugunsten gut untersuchter Organismen; Fernwirkungen (Chromatin, Kontext) werden nur schwach erfasst; „optimale" Codons können Proteine falsch falten (die cotranslationale Faltung braucht langsame Codons).

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (scientific-fm, GPU HW3): SCI-001 Proteindesign (erst das Protein, dann die Nukleotidsequenz entwerfen), SCI-009 Genomik und Variantenbewertung (gemeinsame DNA-Modelle), SCI-017 Multi-Omics, SCI-020 Pflanzen- und Tierzucht.
• Vor- und nachgelagert: SCI-002 Wirkstoffforschung (Nutzlasten, Zielstrukturen), SCI-007 selbststeuernde Labore (Build-Test im geschlossenen Kreislauf), die gemeinsame Datenschicht aus LIMS/ELN.
• Gemeinsame Infrastruktur: Active-Learning-Schleife, MPRA-Datenpipelines und GPU-Inferenz sind in diesen Anwendungsfällen wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Start in Wochen; Projekt- oder Dienstleistungspreise zuzüglich Synthesekosten je Konstrukt.
• Weg B: 3-6 Monate bis zu einem funktionierenden Design-Kreislauf; die Kosten werden von Assays und DNA-Synthese bestimmt, nicht von GPU- oder API-Nutzung.
• Weg C/D: 6-12+ Monate mit ML- und Bioinformatik-Personal; GPU-Kosten moderat, die Datenerzeugung ist die Hauptinvestition.
• Kennzahlen: Trefferquote der Top-N vorhergesagten Designs gegenüber der Ausgangsbasis, Runden bis zum Ziel-Titer bzw. zur Ziel-Expression, Rangkorrelation zwischen vorhergesagter und gemessener Expression, Kosten je brauchbarer Variante, Zykluszeit des Design-Build-Test-Kreislaufs.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der F&E-Abteilungsleitung, die über Umfang, Budget und die Frage entscheiden, was als geheimes geistiges Eigentum gilt. Beziehen Sie die Wissenschaftler, die die Assays durchführen, früh ein, denn sie besitzen die Daten und müssen den Bewertungen vertrauen; die Biosicherheitsbeauftragten sowie Recht/Compliance geben das Sequenz-Screening und die Synthesebestellungen frei. IT und IT-Sicherheit kommen hinzu, wenn Daten den Standort verlassen (API-Zugang, Anbieterverträge, siehe GUIDE-010 und GUIDE-013).

Betriebsrat: in der Regel nicht erforderlich, da das System Sequenzen und Assay-Daten analysiert und nicht das Verhalten oder die Leistung von Beschäftigten (§87 Abs. 1 Nr. 6 BetrVG). Informieren Sie den Betriebsrat dennoch rechtzeitig über KI-gestützte Arbeitsprozesse (§90 Abs. 1 Nr. 3 BetrVG), besonders wenn Nutzungsprotokolle oder das ELN geteilt werden. Es werden keine personenbezogenen Daten verarbeitet, daher ist eine DSFA normalerweise nicht nötig; lassen Sie sich vom Datenschutzbeauftragten bestätigen, falls Nutzerprotokolle gespeichert werden.

KI-Kompetenz: Unterstützen Sie die Wissenschaftler mit einer kurzen Schulung dazu, was Nukleotidmodelle vorhersagen können und was nicht (GUIDE-006). Wählen Sie einen Piloten mit einer Konstruktfamilie und einem Assay, vergleichen Sie die Vorhersagen mit den Laborergebnissen und berichten Sie Fehlschläge offen. Typische Sorge: „Das Modell ersetzt mein Urteil." Begegnen Sie ihr, indem die Wissenschaftler die Vorgaben und die endgültige Synthesebestellung in der Hand behalten und Unsicherheit sichtbar gemacht wird. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei typischer Nutzung in Forschung und Industrie (keine Kategorie nach Anhang III); KI-Kompetenz (Art. 4) gilt. Der Kontext von Medizinprodukten wird durch Fachrecht geregelt, nicht durch das Modell als solches.
• DSGVO: für mikrobielle und synthetische Sequenzen in der Regel nicht anwendbar; relevant wird sie, wenn Trainingsdaten menschliche Genome oder von Patienten stammende Zelllinien enthalten (genetische Daten sind besondere Kategorien personenbezogener Daten, Art. 9).
• Biosicherheit (Dual Use): Generative Modelle können grundsätzlich schädliche Sequenzen vorschlagen. Die Entwickler von Evo 2 haben eukaryotische Virusgenome aus den Trainingsdaten ausgeschlossen. Prüfen Sie alle Bestellungen mit einem Screening auf bedenkliche Sequenzen, nutzen Sie Synthese-Anbieter, die die Screening-Standards von IGSC oder IBBIS befolgen, führen Sie Zugriffsprotokolle; veröffentlichen oder teilen Sie keine Design-Workflows für pathogene Erreger.
• Biotechnologie-Regulierung: Anwendung in geschlossenen Systemen mit GVM (Richtlinie 2009/41/EG), absichtliche Freisetzung von GVO (Richtlinie 2001/18/EG), Gentherapie- und mRNA-Produkte (EMA-Regeln für ATMP bzw. Arzneimittel, GMP); EU-Regeln zu neuen genomischen Techniken bei Pflanzen: siehe SCI-020.
• Geistiges Eigentum: Nukleotidmodelle können Trainingssequenzen reproduzieren; führen Sie Freedom-to-Operate-Prüfungen für erzeugte Promotoren und Gene durch; dokumentieren Sie den KI-Einsatz für Fragen der Erfinderschaft.
• Gegenmaßnahmen: validierte Assays, zurückgehaltene Testmengen, versionierte Herkunft von Modell und Daten, Freigabe durch die Biosicherheit.

Erste Schritte

1. Wählen Sie ein klar umrissenes Ziel (zum Beispiel ein UTR-Paar für eine mRNA oder einen Promotor für einen Wirt) und definieren Sie einen messbaren Assay.
2. Legen Sie die Ausgangsbasis fest: Design aus der Codon-Usage-Tabelle plus Standard-UTR; sammeln Sie 200-2000 Varianten, falls keine Daten vorliegen.
3. Bewerten Sie die Ausgangsvarianten mit Evo 2 im Zero-Shot-Verfahren und mit einem einfachen überwachten Modell; prüfen Sie die Korrelation mit den Messwerten, bevor Sie einem von beiden vertrauen.
4. Führen Sie eine Active-Learning-Runde durch; vergleichen Sie die Trefferquote mit zufälliger Auswahl.
5. Ergänzen Sie den Bestell-Workflow um Biosecurity-Screening und IP-Prüfungen, bevor Sie skalieren.

Quellen

1. Arc Institute - Evo 2 announcement - https://arcinstitute.org/news/blog/evo2
2. Evo 2 code and weights - https://github.com/ArcInstitute/evo2
3. Brixi et al. - Genome modelling and design across all domains of life with Evo 2 (bioRxiv) - https://www.biorxiv.org/content/10.1101/2025.02.18.638918
4. Zhang et al. - Algorithm for optimized mRNA design improves stability and immunogenicity (LinearDesign, Nature 2023) - https://www.nature.com/articles/s41586-023-06127-z
5. Dalla-Torre et al. - Nucleotide Transformer (Nature Methods 2024) - https://www.nature.com/articles/s41592-024-02523-z
6. NVIDIA BioNeMo - https://www.nvidia.com/en-us/clara/biopharma/
7. Random Promoter DREAM Challenge (de Boer et al., Nature Biotechnology) - https://www.nature.com/articles/s41587-024-02414-w
8. International Gene Synthesis Consortium - Harmonized Screening Protocol - https://genesynthesisconsortium.org/
9. Directive 2009/41/EC on contained use of genetically modified micro-organisms - https://eur-lex.europa.eu/eli/dir/2009/41/oj
10. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj