Hoe u door AI ontworpen peptiden kunt indienen bij een CDMO: Handoff-speelboek
Generatieve kunstmatige intelligentie heeft de nieuwe ontdekking van peptiden fundamenteel getransformeerd. Deep learning-architecturen – variërend van RFdiffusion en ProteinMPNN tot AlphaFold3 en ESM3 – genereren nu binnen enkele minuten tienduizenden kandidaat-bindersequenties. Echter, een aanhoudend knelpunt bedreigt de computationele pijplijnen voor de ontdekking van geneesmiddelen: de Overdracht van AI naar bank.
Een computationeel model evalueert een peptide op basis van de ruggengraatgeometrie, voorspelde bindingsenergie, en structureel vertrouwen. Een organisatie voor contractontwikkeling en productie (CDMO), daarentegen, evalueert diezelfde sequentie met behulp van vaste-fasechemie, oplosbaarheid van oplosmiddelen, groepskinetiek beschermen, en zuiveringsopbrengsten. Wanneer computationele treffers naar een CDMO worden overgebracht als gewone FASTA-tekstreeksen zonder fysieke context, Het aantal mislukte syntheses stijgt dramatisch.
De recente GenScript en Tamarind Bio-partnerschap wijst op een grote verschuiving in de sector: het rechtstreeks verbinden van cloudgebaseerde AI-ontwerpplatforms met uitbestede wet-lab-validatiediensten. De integratie van de reeks moleculaire ontwerpmodellen van Tamarind Bio in het Tamarind Assay Portal met de geautomatiseerde laboratoriummogelijkheden van GenScript schept een precedent voor digitaal-naar-fysieke workflows.
Om te profiteren van deze geautomatiseerde connectiviteit, biotech R&D-teams, hoofdonderzoekers, en proceschemici hebben een gestandaardiseerd indieningsprotocol nodig. In dit draaiboek worden de technische vereisten uiteengezet, presynthese in silicofilters, mitigaties in de faalmodus, en validatietests die nodig zijn om de overdracht van AI-ontworpen peptidesequenties aan CDMO-partners te verminderen.
1. Voorbij het FASTA-bestand: Essentiële CDMO-metagegevens voor indiening
Het indienen van een eenvoudige lineaire aminozuurreeks (bijv., ACDEFGHIKLMNPQRSTVWY) aan een CDMO is de belangrijkste oorzaak van synthesevertragingen en onverwachte analytische fouten. Generatieve modellen introduceren vaak ongebruikelijke backbone-topologieën, dichte hydrofobe plekken, of niet-natieve disulfideconnectiviteit die de standaard peptidesynthese in de vaste fase omvat (SPSS) protocollen kunnen dit niet automatisch verwerken.
Om een nauwkeurige chemische vertaling te garanderen, een compleet indieningspakket moet vier afzonderlijke metadatapijlers bevatten.
AI-ontwerpuitvoer (VOB / JSON)
- Ontwerp herkomst & Modelcontext (Modelarchitectuur, zaden, pLDDT, pAE)
- Computationele scorestatistieken (Bindende AG, NU, Solvatie-energie)
- Chemisch & Structurele beperkingen (N/C-afdekking, Cyclisatie, Niet-canonieke AA)
- Doelspecificaties & Gebruikscasus (Zuiverheid ≥98%, Hoeveelheid, Steriele vereisten) Gestandaardiseerd CDMO-werkorderpakket
Pillen 1: Ontwerpherkomst en generatieve context
CDMO-synthese-ingenieurs moeten begrijpen hoe de sequentie werd gegenereerd. De herkomst van het model onthult intrinsieke structurele aannames:
- Modelarchitectuur en versie: Geef op of de reeks afkomstig is van RFdiffusion, AlphaFold-Multimer, EiwitMPNN, ESMFold, of een ensemblemodel.
- Generatieparameters: Registreer willekeurige zaadnummers, temperatuur instellingen, en ontwerpvooroordelen (bijv., geforceerde hydrofobe interfacepakking).
- Vertrouwensscores per residu: Voeg lokale pLDDT toe (voorspelde lokale afstandsverschiltest) scoort over de hele reeks. Een sequentie met lage pLDDT-gebieden (< 70) komt vaak overeen met flexibele lussen of uitgevouwen segmenten die zich tijdens de zuivering onvoorspelbaar gedragen.
Pillen 2: Computationele scorestatistieken
- Voorspelde uitgelijnde fout (pAE): Bied interface-pAE-waarden voor doelbindende peptiden om kritische contactresiduen te benadrukken.
- Bindende vrije energie (AG): Inclusief berekende elektrostatische en Van der Waals-interfacescores.
- Oplosmiddel toegankelijk oppervlak (NU): Detail hydrofoob vs. blootstelling aan polaire oppervlakken.
Pillen 3: Chemische en structurele beperkingen
- Terminal-wijzigingen: Definieer expliciet de N-terminale aftopping (bijv., gratis amine, Acetylering, Pyroglutamaat) en C-terminale aftopping (bijv., vrij zuur, Amidatie).
- Cyclisatie-architectuur: Specificeer exacte atoombindingen voor cyclische peptiden: amidebindingen van kop tot staart, lactambruggen van zijketen naar zijketen, of specifieke cysteïnedisulfideparen.
- Niet-canonieke residuen: Detailleer alle D-aminozuren, β-aminozuren, N-gemethyleerde residuen, of post-translationele modificaties (bijv., lipidatie, fosforylering, PEGylatie).
Pillen 4: Doelspecificaties en toepassingsgebied
- Vereist zuiverheidsniveau: Ruw, ≥85% (screening), ≥95% (in vitro bioassays), of ≥98% (in leven / IND-ondersteunende onderzoeken).
- Hoeveelheidsschaal: Milligram schaal (1–10 mg voor initiële bindingsscreening) tot gram/kilogramschaal (proefproductie).
- Steriliteitsvereisten: Specificeer of het materiaal in klasse moet worden vervaardigd 100 cleanroom-omgevingen om besmetting met endotoxinen en bioburden tijdens celgebaseerde tests te voorkomen.
Gestandaardiseerde bestandsschema's voor indiening
Om de digitale instroom te stroomlijnen, bereid gegevens voor in drie gestandaardiseerde formaten:
| Bestandsformaat | Primaire informatie-inhoud | Operationeel doel van CDMO |
|---|---|---|
| VASTEN / Platte tekst | Eenletterige AA-code, reeks-ID, terminale wijzigingen | Initiële geautomatiseerde reeksparser en lengtevalidatie |
| VOB / mmCIF | 3D atoomcoördinaten, ruggengraat tweevlakshoeken, disulfidebindingen | Structurele oriëntatie, 3D verificatie van ruimtelijke beperkingen |
| JSON-payload | Model herkomst, pLDDT/pAE-arrays, berekende jus, pi, doelspecificaties | Programmatische opname in CDMO-bedrijfsresourcesystemen |
| CSV / TSV-batch | Tafel met meerdere kandidaten (Identiteitskaart, reeks, zuiverheid, schaal, N-term, C-term, wijzigingen) | Batchverwerking van werkorders met hoge doorvoer |
Voor Tip: Voeg altijd een 3D-coördinatenbestand toe (
.pdbof.cif) naast lineaire sequenties voor cyclische of multi-disulfidepeptiden. Geautomatiseerde CDMO-parsers gebruiken 3D-bestanden om cysteïne-koppelingskaarten te bevestigen vóór selectie van solide ondersteuningshars.
2. Pre-synthese in silico-triagefilters
Generatieve modellen optimaliseren primair voor doelbindingsaffiniteit. Daarbij, ze genereren vaak onfysieke sequenties die chemisch onmogelijk of uiterst moeilijk te synthetiseren zijn. Voordat u een inkooporder uitgeeft, laat kandidaten door een multi-parameter in silico screeningcascade lopen.
Rauwe AI-hitpool (10,000 Kandidaten)
Filter 1: GRAVY Hydropathiciteit (-0.5 naar +0.2) Filter doorgeven 2: Netto kosten & pi (|Netto kosten| ≥ 2 bij pH 7.4) Filter doorgeven 3: CamSol-score voor intrinsieke oplosbaarheid (> -1.0) Filter doorgeven 4: TANGO β-Sheet-aggregatieneiging (< 5%) Passeer de kandidatenpool die gereed is voor synthese (100 Hits met hoog rendement)
1. SAUS (Grootgemiddelde van hydropathiciteit)
De GRAVY-score berekent de som van de hydropathiteitswaarden van alle aminozuren gedeeld door de sequentielengte.
- Optimaal bereik: -0.5 naar +0.2.
- Drempel voor hoog risico: Scores overschrijden +0.4 wijzen op ernstige hydrofobiciteit. Deze peptiden hebben de neiging om tijdens SPPS op hars te aggregeren en vertonen een verwaarloosbare oplosbaarheid in water.
2. Iso-elektrisch punt (pi) en nettokosten
Peptiden hebben een minimale netto lading nabij hun pI, wat leidt tot zelfassociatie en precipitatie.
- Regel: Bereken de netto lading bij fysiologische pH (pH 7.4). Zorg voor een nettolading van minimaal +2 of -2. Als de nettokosten tussen -1 En +1 en de sequentie bevat hydrofobe plekken, voeg oplosbaarmakende lysinen of glutamaten in aan niet-bindende uiteinden (bijv., een KDK- of EEE-tag toevoegen).
3. CamSol-score voor intrinsieke oplosbaarheid
CamSol evalueert de hydrofobiciteit van lokale aminozuren, aanval, en neiging tot secundaire structuur.
- Drempelwaarde: Positieve scores duiden op een hoge intrinsieke oplosbaarheid. Sequenties hieronder scoren -1.0 moet worden gemarkeerd voor sequentie-optimalisatie of gespecialiseerde oplosbaarmakende handvatten.
4. TANGO-aggregatieneiging
TANGO berekent de neiging van ongevouwen peptidesegmenten om intermoleculaire β-sheet-aggregaten te vormen.
- Drempelwaarde: Elk sequentiesegment dat een TANGO-aggregatiescore toont > 5% vertegenwoordigt een hoog risico voor aggregatie op de hars tijdens ketenverlenging.
5. Reeksmotiefscan
Markeer en wijzig problematische reekspatronen voorafgaand aan indiening:
- Opeenvolgende hydrofobe runs: $> 3$ opeenvolgende hydrofobe residuen (bijv., VVV, LLL, FIW, IYF) activeer een snelle stapeling van β-vellen.
- Aspartimide-gevoelige dipeptiden: DG, DS, EN, en DN-motieven ondergaan onder basale Fmoc-ontschermingsomstandigheden cyclisatie van de zijketen om aspartimide-bijproducten te vormen.
- Meerdere cysteïneclusters: Onbeschermde cysteïnes gescheiden door minder dan 2 aminozuren compliceren de selectieve verwijdering van beschermende groepen.
Kwantitatief pre-synthese-screeningskader
| Triage-metriek | Bereik passeren | Voorzichtigheid / Waarschuw bereik | Mislukking / Herontwerp assortiment | Primair faalrisico |
|---|---|---|---|---|
| GRAVY-index | -0.5 naar +0.2 | +0.2 naar +0.4 | $> +0.4$ | Aggregatie op hars, waterige onoplosbaarheid |
| Netto kosten (pH 7.4) | Aanval | ≥ 2 | ||
| CamSol-score | $> 0.0$ | $0.0$ naar -1.0 | $< -1.0$ | Lage kinetische oplosbaarheid, neerslag |
| TANGO-score | < 1% | 1% naar 5% | > 5% | Stapelen van β-vellen, onvolledige koppeling |
| Hydrofobe ritten | ≤ 2 opeenvolgend | $3$ opeenvolgend | $> 3$ opeenvolgend | Ernstige afknotting en verwijdering van onzuiverheden |
3. Kritieke risicogebieden: Waar AI-peptidehits mislukken op de bank
Synthetische uitvoering vertaalt digitale modellen naar fysieke materie. Door de onderliggende fysische chemie van SPPS te begrijpen, kan R&D-teams om te anticiperen op CDMO-knelpunten en samen risicobeperkende strategieën te ontwikkelen.
Sleutel afhaalmaaltijd: Over 70% van de door AI ontworpen peptidesynthesefouten komen voort uit aggregatie tussen de harsketens. Generatieve modellen over-indexeren de hydrofobe pakking om de voorspelde bindingsenergie te maximaliseren, het onbedoeld creëren van sequenties die zichzelf assembleren tot onoplosbare β-sheets tijdens vaste-fasesynthese.
Risico 1: Aggregatie op hars en onvolledige koppeling
Tijdens SPPS, groeiende peptideketens die aan de vaste dragerhars zijn gehecht, kunnen inter vormen- en intramoleculaire waterstofgebonden β-platen. Volgens recent aggregatiestudies van β-sheets op hars, De hydrofobe aminozuursamenstelling zorgt er direct voor dat de secundaire structuur in de harsporiën instort.
Deze aggregatie beperkt de zwelling van het oplosmiddel en blokkeert de toegang van piperidine-reagens tot de N-terminale Fmoc-groep. Als gevolg daarvan:
- Fmoc-ontschermingskinetiek vertraagt: Ontschermingscycli die normaal gesproken duren 3 minuten verlengen 30+ minuten of gedeeltelijk mislukken.
- Verwijderingsreeksen stapelen zich op: Niet-gereageerde aminogroepen blijven tijdens daaropvolgende koppelingsstappen achter, wat complexe mengsels van N-1- en N-2-deletie-onzuiverheden oplevert die bijna onmogelijk te scheiden zijn door middel van omgekeerde fase-HPLC.
Bankobservatie: Bij synthese met hoge doorvoer van AI-gegenereerde bindmiddelen met hydrofobe stukken (>3 opeenvolgende hydrofobe residuen), real-time Fmoc-ontscherming UV-monitoring onthult vaak een scherpe efficiëntiedaling na residu 8–12. Het opnemen van pseudoprolinedipeptiden op deze posities herstelt de reactiekinetiek van de basislijn en elimineert ingekorte deletie-onzuiverheden.
Geaggregeerde harsstaat:
[Hars kraal] (Hydrofoob stapelen van β-platen) Fmoc-Amine (Geblokkeerd) X (Piperidine Ontoegankelijk)
Opgelost / Ontwrichte staat:
[Hars kraal] [Pseudoproline / Isoacyl-handvat] Fmoc-Amine (Blootgesteld) ► (Volledige ontscherming)
Risico 2: Racemisatie tijdens koppeling
Generatieve AI-modellen houden geen rekening met stereochemische stabiliteit tijdens activering. Microgolfondersteunde SPPS op hoge temperatuur versnelt koppelingsreacties, maar verhoogt de racemisatierisico's voor specifieke aminozuren aanzienlijk:
- Cysteïne: Zeer gevoelig voor door base gekatalyseerde α-koolstofracemisatie via enolisatie tijdens carbodiimide-activering.
- Histidine: De imidazoolzijketen ondergaat intramoleculaire basekatalyse, wat leidt tot L-naar-D-stereo-isomerisatie.
- Aspartaat: Base-gemedieerde activering bevordert de vorming van D-aspartaat naast de herschikking van aspartimide.
Risico 3: Nevenreacties op TFA-splitsing en ontscherming
Wereldwijde ontscherming met behulp van trifluorazijnzuur (TFA) maakt reactieve carbokationen vrij van beschermende groepen in de zijketen (bijv., tBu, Trt, Pbf). In sequenties rijk aan tryptofaan, Tyrosine, of methionine:
- Vrije carbokaties hechten zich opnieuw aan de indoolring van Trp of de thioether van Met.
- Onvoldoende aasetercocktails (EDT, TIS, water, fenol) leiden tot onomkeerbare gealkyleerde bijproducten die het eindproduct vervuilen.
Risico 4: Disulfideparing en oxidatieambiguïteit
De novo peptiden ontwikkeld met 2, 4, of 6 cysteïneresiduen vormen grote uitdagingen op het gebied van vouwen. Ongecontroleerde luchtoxidatie van een 4-cysteïnepeptide kan drie verschillende disulfideregio-isomeren produceren:
Parallel (Cys_1-Cys_2, Cys_3-Cys_4) versus. Anti-parallel (Cys_1-Cys_4, Cys_2-Cys_3) versus. Met elkaar verweven (Cys_1-Cys_3, Cys_2-Cys_4)
Als een AI-model uitgaat van een specifieke native fold, eenvoudige luchtoxidatie in DMSO/water levert vaak niet-natieve topologische isomeren of oplosbare oligomeren op.
Risico 5: Analytische dubbelzinnigheid bij omgekeerde fase-HPLC
Hydrofobe AI-hits leveren vaak een brede opbrengst op, gesplitst, of staartpieken op standaard C18 analytische HPLC-kolommen. Deze piekverbreding vindt plaats omdat het peptide bestaat als meerdere langzaam onderling omzettende conformeren in de mobiele fase, of omdat de hydrofobe sequentie gedeeltelijk aggregeert op de stationaire fase van de kolom. Zonder orthogonale massaspectrometrie, deze gesplitste pieken worden vaak verkeerd geïnterpreteerd als falen van de synthese in plaats van omkeerbare conformationele evenwichten.
4. Aanbevolen validatieprotocollen: Het risico op overdracht van AI naar Bench verminderen
Om computationele voorspellingen te overbruggen met fysieke resultaten, CDMO's moeten gespecialiseerde synthetische tactieken en analytische karakteriseringssuites gebruiken.
Ruwe AI-reeksinvoer
CDMO-haalbaarheid Pre-screening Hoog aggregatierisico? ► Gebruik pseudoprolines / Isoacylpeptiden Multidisulfidekaart? ► Orthogonale beschermgroepen (Trt/Acm/Mmt) Hoge hydrofobiciteit? ► GePEGyleerde solubiliserende handgrepen voor de synthese & In-line procesanalytische technologie (PAT) Real-time Fmoc-ontscherming UV-bewaking Micro-splitsing LC-MS Inter-Step Checks Orthogonale analytische karakteriseringssuite
- RP-HPLC & ESI-MS / MALDI-TOF (Massa & Zuiverheid)
- Circulair dichroïsme (CD) Spectroscopie (Secundaire structuur)
- Dynamische lichtverstrooiing (DLS) (Monomere verificatie)
- Ellmans test & Ellman-LC-MS (Disulfide-koppeling)
Geavanceerde synthesestrategieën voor ‘moeilijke’ AI-reeksen
Wanneer een door AI ontworpen reeks voorzichtigheidsdrempels activeert tijdens pre-synthesetriage, ervaren CDMO's passen op maat gemaakte chemische strategieën toe:
- Pseudoproline-dipeptiden: Voeg X aa-Ser in, X aa-Thr, of X aa-Cys oxazolidinedipeptiden elke 5-6 residuen om de secundaire structuur van de β-sheet te verstoren tijdens harsverlenging.
- Isoacylpeptide-technologie: Zet peptidebindingen tijdelijk om in esterbindingen (O-N acylverschuiving). De esterbinding verbreekt de stapeling van β-platen tijdens de synthese; daaropvolgende blootstelling aan neutrale pH 7.4 buffer wordt snel geactiveerd, kwantitatieve O-naar-N-acylmigratie om de natieve amideskelet te herstellen.
- Orthogonale disulfidebeschermende groepen: Gebruik orthogonale beschermende groepen, zoals Trityl (Trt), Aceetamidomethyl (Acm), en Monomethoxytrityl (Mmt)– stapsgewijs forceren, gerichte vorming van disulfidebindingen in plaats van te vertrouwen op thermodynamische luchtoxidatie.
- Pre-synthese aggregatie voorspellende modellering: Geavanceerde CDMO's maken gebruik van pre-synthese aggregatie voorspellende modellen om de harsladingsdichtheid te optimaliseren, kies laagladende harsen op basis van PEG (bijv., ChemMatrix), en de stromingssynthesetemperaturen dynamisch aanpassen.
Orthogonale analytische validatiesuite
| Validatietest | Analytische techniek | Kwaliteitsdoel / Acceptatiecriteria | Operationele waarde |
|---|---|---|---|
| Zuiverheid & Massale identiteit | RP-HPLC (C18/C4) + ESI-MS / MALDI-TOF | Eén grote piek; doelzuiverheid ≥ 95% of ≥ 98%; mono-isotopische massa binnen ± 0.5 En | Bevestigt de identiteit van de volledige sequentie en de afwezigheid van deletiesequenties |
| Secundaire structuur | Circulair dichroïsme (CD) Spectroscopie | Ver-UV-spectra (190–260 nm) overeenkomende voorspelde α-helix (208/222 nm-minima) of β-blad (218 nm minimaal) | Controleert of de fysieke peptidevouwing overeenkomt met het 3D-model |
| Geaggregeerde staat | Dynamische lichtverstrooiing (DLS) / SEC-MALS | Hydrodynamische straal (Rₕ) overeenkomend met monomere toestand; polydispersiteitsindex (PDI) $< 0.15$ | Zorgt ervoor dat peptiden niet worden geaggregeerd voorafgaand aan celgebaseerde of biofysische bindingstesten |
| Disulfide-connectiviteit | Ellmans test (DTNB) + LC-MS/MS-toewijzing | Gratis thiolgehalte < 0.05 mol SH/mol peptide; ondubbelzinnige fragmentionen voor Cys-Cys-paren | Bevestigt volledige oxidatie en correcte disulfideparingtopologie |
5. Het operationele draaiboek: Succesvolle CDMO-overdrachten uitvoeren
Om AI-peptide-indiening te operationaliseren, R&D-organisaties moeten een gestandaardiseerde overdrachtsworkflow van vijf stappen invoeren.
Stap 1: Computationeel ontwerppakket exporteren (VOB, VASTEN, JSON, Scores)
Stap 2: In Silico Triage-filter toepassen (SAUS, pi, CamSol, TANGO) Stap 3: CDMO technische pre-screening & Haalbaarheidsbeoordeling Stap 4: Pilootsynthese & In-line procesanalytische controlestap 5: Volledige analytische release & QC-certificaatvalidatie
Stap 1: Exporteer het complete digitale ontwerppakket
Compileer alle computeruitvoer, inclusief PDB-coördinatenbestanden, FASTA-reeksen, JSON's met modelherkomst, en pLDDT-arrays per residu – in één enkel indieningsarchief.
Stap 2: Voer een In Silico Triage-screening uit
Filter kandidaten met GRAVY, pi, CamSol, en TANGO-regels. Elimineer niet-synthetiseerbare uitschieters en annoteer grenskandidaten met de gevraagde chemische modificaties (bijv., oplosbaar makende tags, N-terminale acetylering).
Stap 3: CDMO-haalbaarheidsbeoordeling en chemieplan
Dien het gefilterde pakket in bij uw CDMO-partner. Het CDMO-synthese-engineeringteam beoordeelt:
- Hars keuze (Polystyreen versus. PEG-ChemMatrix).
- Koppelingschemie (STAP, DIC/Oxyma, of PyBOP).
- Beschermingsstrategie voor moeilijke motieven.
Stap 4: Synthese op pilotschaal met procescontroles
Voor nieuwe de novo steigers, een kleinschalige pilotsynthese uitvoeren (1–5 mg) met real-time UV-monitoring van Fmoc-ontschermingskinetiek en micro-splitsing LC-MS-analyse voorafgaand aan grootschalige productie.
Stap 5: Analytische QC-vrijgave en cleanroomverpakking
Controleer het uiteindelijke materiaal aan de hand van de orthogonale validatiesuite. Zorg ervoor dat gezuiverde peptiden bedoeld voor celcultuur of preklinische modellen in klasse worden verwerkt 100 ultrasteriele omgevingen om nul-endotoxinebesmetting te garanderen.
Samenwerking met gespecialiseerde CDMO's voor AI-ontworpen peptiden
Terwijl generatieve AI-modellen het structurele landschap van therapeutische peptiden blijven uitbreiden, succes hangt uiteindelijk af van de fysieke uitvoering van synthetische chemie. Terwijl generalistische leveranciers op maat gemaakte peptiden behandelen als goederencatalogusitems, complexe AI-hits vereisen een gespecialiseerde CDMO-partner die is uitgerust met geavanceerde synthesetechnologieën, haalbaarheidsfiltering vóór de synthese, en strenge kwaliteitscontroles.
Bij het selecteren van een productiepartner voor door AI ontworpen sequenties, het evalueren van platformmogelijkheden, zoals toegang tot uitgebreide aanpassingssuites, ultrasteriele cleanrooms, en flexibele opschalingsopties – zorgen ervoor dat computationele ontwerpen naadloos overgaan in fysieke validatie. R&D-teams die een brug willen slaan tussen digitaal ontwerp en laboratoriumuitvoering kunnen gespecialiseerde platforms zoals MOL Changes raadplegen aangepaste peptidesynthesediensten en technische haalbaarheidsevaluaties die zijn afgestemd op het verminderen van de risico's bij de overdracht van AI naar de bench.
Technische haalbaarheidscheck: Om uw computationele kandidatenportfolio te evalueren aan de hand van parameters voor de haalbaarheid van synthese, overleg met het technische team van MOL Changes voor een uitgebreid pre-syntheseoverzicht.
