Nerai Bioscience setzt KI und Hochdurchsatz-Protein-Engineering für CRISPR-Tools ein

LONDON (IT BOLTWISE) – Die Schweizer Startup-Gründung Nerai Bioscience (2025) koppelt Künstliche Intelligenz mit Hochdurchsatz-Protein-Engineering, um CRISPR-Genbearbeitungswerkzeuge zielgenauer zu machen. Das Verfahren verbindet gerichtete Evolution mit automatisierten Zellfunktionstests und einer Lernschleife aus Sequenz- und Wirkungsdaten. Nerai will damit insbesondere Mutationsstellen adressieren, die bisherige CRISPR-Ansätze wegen ihrer Erkennungssequenzen und Bearbeitungsfenster nicht zuverlässig erreichen. Parallel baut das Unternehmen mehrere CRISPR-Tool-Pipelines auf, darunter Kandidaten für seltene Leber- und Augenerkrankungen.

🧠 KI & Robotik auf Google News abonnieren

CRISPR ist als Plattform zur präzisen Genbearbeitung bekannt, stößt in der Praxis aber an harte biologische Grenzen. Der Schlüssel liegt in der Zielerkennung: CRISPR-Systeme binden über eine Leit-RNA an definierte Sequenzmuster und führen den Schnitt nur dort aus, wo das passende „Fenster“ im Genom vorhanden ist. Genau diese Abhängigkeit von Erkennungssequenzen und von der Leistungsfähigkeit der verwendeten Bearbeitungsproteine macht es schwierig, mit einem einzelnen CRISPR-Werkzeug alle Varianten einer seltenen Erkrankung abzudecken. Bei seltenen erblichen Krankheiten ist zusätzlich das Problem verbreitet, dass nicht nur ein einzelnes „Krankheitsgen“ betroffen ist, sondern unterschiedliche Mutationsereignisse bei verschiedenen Patientinnen und Patienten auftreten.

Im Zentrum der aktuellen Entwicklung steht Nerai Bioscience, ein 2025 gegründetes Biotech-Startup mit Spin-off-Hintergrund aus der Universität Zürich. Laut Unternehmensbeschreibung soll die Technologie die Lücke zwischen „was der Genotyp theoretisch hergibt“ und „was ein CRISPR-Tool praktisch zuverlässig bearbeiten kann“ verkleinern. Das Ansatzprinzip: Statt nur gängige CRISPR-Varianten zu testen, optimiert Nerai die Proteine selbst systematisch und nutzt dazu eine Kombination aus gerichteter Evolution, Hochdurchsatz-Screening und maschinellem Lernen. Künstliche Intelligenz dient dabei nicht als „Ersatz“ für Laborarbeit, sondern als Auswertungsschicht, die aus großen Datenmengen neue Designentscheidungen ableiten soll.

Technisch betrachtet setzt die Plattform auf eine automatisierte gerichtete Evolution mit vielen parallelen Experimenten: Nerai nennt 100 parallele Evolutionsexperimente, die mehrere CRISPR-Enzyme gleichzeitig durchlaufen. Das Ziel dieser Runde ist es, Enzymvarianten zu entdecken, die unterschiedliche PAM-Erkennungsfähigkeiten besitzen und eine bessere Bearbeitungsleistung liefern. PAM ist dabei mehr als ein Formalismus: Die PAM-Sequenz entscheidet mit darüber, ob das System überhaupt an die gewünschte Zielstelle „ankoppeln“ kann, und damit, welche Teile des Genoms überhaupt prinzipiell erreichbar sind. Anschließend folgt das Hochdurchsatz-Zell-Screening, bei dem Nerai große Zahlen an Kandidaten-CRISPR-Genbearbeitungswerkzeugen in menschliche Zellen bringt, um Aktivität, Präzision und Bearbeitungseffizienz an Tausenden von DNA-Zielstellen zu messen.

Damit aus Laborzahlen tatsächlich ein Designvorschlag wird, schließt Nerai die Schleife mit maschinellem Lernen. Das Modell soll die hochwertigen Daten aus gerichteter Evolution und Zellassays nutzen, um die Beziehung zwischen Proteinsequenzen, DNA-Zielmerkmalen und dem beobachteten Bearbeitungseffekt zu erlernen. Auf dieser Grundlage will das Startup die nächste Runde von CRISPR-Tool-Designs gezielt steuern, statt erneut „blind“ Kandidatenräume abzusuchen. In der Konsequenz entsteht ein kontinuierlicher Feedback-Zyklus, der für die Entwicklung neuer CRISPR-Varianten besonders relevant ist, weil bei seltenen Erkrankungen weder ein großer Markt noch eine einfache Übertragbarkeit von „einem Tool für alle“ zu erwarten sind.

Für die Produktseite nennt Nerai mehrere Pipeline-Aufbauten: Derzeit existieren acht CRISPR-Genbearbeitungswerkzeug-Pipelines, die sich vor allem auf seltene erbliche Lebererkrankungen und erbliche Augenerkrankungen fokussieren. Laut Beschreibung verwendet jede Pipeline eine maßgeschneiderte PAM-spezifische Cas9-Variante. Beispiele aus dem Portfolio sind NB-301 für Zitrullinämie Typ I, NB-20X für Phenylketonurie und NB-101 für Alpha-1-Antitrypsin-Mangel; diese Pipelines befinden sich jeweils in der Phase der vorläufigen Optimierung in vivo. Weitere Programme werden als noch in der Entdeckungsphase genannt, darunter NB-401 für Homozystinurie, NB-501 für klassische Galaktosämie Typ I, NB-601 für primäre Hyperoxalurie und NB-701 mit noch nicht genanntem Indikationsgebiet. Für den Augenbereich nennt das Unternehmen zudem NB-e101 für die Behandlung der autosomal-dominanten Retinitis pigmentosa.

Finanziell untermauert Nerai den Entwicklungsmodus: Im Mai 2025 schloss das Startup eine Seed-Finanzierung über 500.000 Schweizer Franken ab; als Investor wird Kickfund genannt. Die Mittel sollen der präklnischen Entwicklung der Hochdurchsatz-Protein-Engineering-Technologie und den Pipeline-Programmen für seltene Erbkrankheiten zugutekommen. Für den Markt bedeutet das vor allem, dass die Technologie nicht nur als Forschungsidee positioniert wird, sondern als Engineering-Plattform, die mehrere CRISPR-Varianten systematisch durch Tests und Optimierung führt. Gerade in Nischenindikationen kann ein solcher Ansatz helfen, die typischen Entwicklungsaufwände zu reduzieren, die entstehen, wenn jede Zielmutation wieder einzeln von Grund auf neu validiert werden muss.

Aus Branchensicht ist der entscheidende Punkt weniger der generische „KI“-Begriff, sondern die konkrete Kopplung: Parallelisierte Protein-Varianten-Erzeugung, große Zellassays und datengetriebene Rückkopplung. Wenn die Datenqualität und die Abdeckung der Zielräume tatsächlich stark genug sind, kann Nerais Loop die Variantenentwicklung beschleunigen, insbesondere dort, wo bisherige CRISPR-Tools wegen eingeschränkter Zielsequenzen oder unzureichender Bearbeitungsleistung nicht ausreichen. Gleichzeitig bleibt die Praxisprüfung offen, denn erfolgreiche In-vitro-Leistung muss sich in relevanten biologischen Systemen bewähren. Genau hier entscheidet sich, ob Hochdurchsatz-Engineering und maschinelles Lernen die Lücke zwischen „erreichbar auf dem Papier“ und „wirksam im therapeutischen Kontext“ dauerhaft schließen können.

💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!

🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!

🎉 Amazon Haul-Store für absolute Schnäppchenjäger!