Die DeepSnow-Plattform: wie ein Wetlab plus eine KI-Polymer-Discovery-Engine eine echte Produkt-Roadmap erzeugt

TL;DR. DeepSnow ist eine Polymer-Discovery-Plattform mit drei integrierten Ebenen: ein In-House-Wetlab, eine KI-Polymer-Discovery-Engine und ein Produktportfolio. Das Wetlab synthetisiert und testet Polymer-Kandidaten. Die Discovery-Engine priorisiert Kandidaten und schlägt das nächste Experiment vor — IP-bewusst. Das Produktportfolio ist das, was ausgeliefert wird. SL6733 ist Produkt 1 (Beschneiungsadditiv, EU-Laborpilots 2026/27). DS-100-Serie sAFGPs und DS-400 (Eisflächen-IRI) sind Produkt 2 und 3, von der Engine entworfen. Dieser Artikel beschreibt, wie die Ebenen zusammenpassen und warum diese Komposition sich aufbaut.

Der Pitch in einem Absatz

DeepSnow ist eine vertikal integrierte Polymer-Discovery-Plattform. Wir betreiben ein Wetlab (Chemie, Synthese, Charakterisierung), eine KI-Discovery-Engine (Software, die Polymer-Kandidaten priorisiert und vorschlägt) und ein sich entwickelndes Produktportfolio (Beschneiung, Eisfläche, Kühlkette). Die drei Ebenen laufen in einer geschlossenen Schleife: die Engine schlägt vor, das Labor testet, die Labordaten verfeinern die Engine, und validierte Kandidaten werden Produkte. Der erste kommerzielle Output ist SL6733; der zweite ist die DS-100-Serie; der dritte ist DS-400; der Wert der Plattform liegt in der Produktionsrate jenseits davon.

Warum drei Ebenen, nicht eine

Viele Materialentdeckungs-Bemühungen versuchen eine dieser drei Sachen isoliert. Das versagende Muster:

Nur Wetlab: Fachkompetenz, kann Produkte bauen, aber kann den Designraum nicht systematisch erkunden. Der Output ist begrenzt durch das, was einzelne Chemiker erahnen können.
Nur KI: kann riesige Kandidaten-Bibliotheken vorschlagen, aber ohne Wetlab-Feedback degradieren die Vorhersagen. Das Modell trainiert auf veralteten Annahmen.
Nur Produktfirma: liefert, was heute funktioniert, aber keine laufende Pipeline. Das nächste Produkt hängt von der Forschung anderer ab.

Das Muster, das sich aufbaut, ist alle drei integriert. Die Engine schlägt mehr Kandidaten vor, als irgendein menschliches Team systematisch testen könnte. Das Labor erzeugt die Daten, die die Engine braucht, um ihre Vorhersagen kalibriert zu halten. Das Produktportfolio monetisiert die Plattform — und liefert die operative Disziplin, die F&E davor bewahrt, in rein akademische Erkundung abzudriften.

Die Wetlab-Ebene

DeepSnows Wetlab betreibt Polymer-Synthese, Charakterisierung und IRI/Freeze-Thaw-Tests. Die Standard-Kapazitäten:

Freie radikalische Polymerisation für die Synthese hochmolekularer Polyacrylamide. Die SL6733-Chemie — anionisches Poly(acrylamid-co-natriumacrylat) bei 15–20 MDa mit 30–40 mol% Natriumacrylat — wird hier im Pilot-Maßstab produziert.
NCA-Polymerisation für die Synthese synthetischer Polypeptide. Die DS-100-Serie sAFGPs (Ala/Glu-alternierende Hauptkette) kommt von dieser Linie.
AF4-MALS für absolute Molmasse-Charakterisierung. Der Goldstandard für ultrahochmolekulare Polymere, wo Standard-GPC versagt.
Splat-Assay-Infrastruktur für IRI-Quantifizierung. Polarisationslichtmikroskopie auf temperaturkontrollierten Stages.
Freeze-Thaw- + Eisnukleations-Tests für produktrelevante Leistungscharakterisierung.

Kapazität: Pilot-Chargen bis 100 L für Resort-Test-Volumina.

Alles, was in die Trainingsdaten der Discovery-Engine geht, kommt aus diesem Labor. Alles, was aus der Discovery-Engine kommt, wird hier getestet. Die beiden sind eng gekoppelt.

Die Discovery-Engine-Ebene

Die Engine ist Software. Sie tut drei Dinge:

Kandidaten-Vorschlag: gegeben ein Ziel-Eigenschaftsprofil (z. B. "synthetisches Antifrost-Polypeptid mit maximaler IRI-Aktivität, herstellbar via NCA, gezielt um IP X, Y, Z herum entwickelt"), generiere priorisierte Kandidaten-Sequenzen oder -Architekturen.
Eigenschafts-Vorhersage: für jeden Kandidaten Eisbindungs-Affinität, IRI-Wirkung bei Ziel-Konzentration, Herstellbarkeit und Löslichkeit vorhersagen. Modelle kombinieren Sequenz-zu-Eigenschaft-Vorhersagen (Machine Learning) mit thermodynamischen / molekulardynamischen Bedingungen.
Experimentelles Design: das nächste Experiment fürs Wetlab auswählen, optimiert für Informationsgewinn — d. h. am meisten über den Designraum pro Synthese-Lauf lernen.

Die Engine ist IP-bewusst by Design. Bestehende Patente im Antifrostprotein- und IRI-Polymer-Bereich definieren Ausschlusszonen im Sequenz-/Komposition-Raum. Kandidaten, die in diese Zonen fallen, werden markiert. Kandidaten, die außerhalb fallen — aber den zugrundeliegenden Mechanismus dennoch einfangen — werden priorisiert. Das macht die Discovery-Engine kommerziell handlungsfähig statt rein akademisch.

Die Produktportfolio-Ebene

Ein echtes Produktportfolio unterscheidet eine Plattform von einer Forschungsbemühung. DeepSnows Portfolio:

SL6733 — Polymer-Beschneiungsadditiv. Das Leitprodukt. Polyacrylamid-co-Acrylat + kaltwasserquellende Stärke. EU-Laborpilots geplant für die Saison 2026/27; kommerzielle Bereitstellung 2027/28. Über Wetlab-Chemie entwickelt; die Rolle der Engine hier ist inkrementelle Optimierung (Ladungsdichte, MW-Verteilung, Restmonomer-Spezifikationen).
DS-100-Serie — sAFGP nächster Generation. Polypeptid-Chemie. F&E-Stadium. Die Engine entwirft die spezifischen Sequenzen. 91–94 % MGS-Reduktion bei 100 µg/mL in Labor-Assays. Pilot-Zeitplan 2027/28+.
DS-400 — Eisflächen-IRI. Oberflächengepfropftes IRI-Polymer für Eisflächen-Resurfacing-Systeme. F&E-Stadium. Andere Anwendungsoberfläche (Rink-Eis vs fallender Schnee) mit anderem Betriebsprofil (oberflächlich aufgetragen vs ins Wasser injiziert).
Darüber hinaus — angrenzende Märkte aus derselben Plattform: Food-IRI (Kühlketten-Lebensmittelhandhabung), Kryokonservierung (Biologika-Kühlkette), Oberflächen-IRI (Kühlkettenlogistik).

Das Produktportfolio gibt der Discovery-Engine einen Polarstern. Ohne den driftet die F&E ab.

Was sich aufbaut

Drei Dinge, in Reihenfolge:

Jedes Produkt füttert das nächste. Das Wetlab-Wissen aus der SL6733-Produktion verfeinert die Engine-Vorhersagen für DS-100. Die DS-100-Labordaten verfeinern die Vorhersagen für DS-400. Die Akkumulation von Cross-Produkt-Chemiedaten macht die Plattform dauerhaft.
Die IP-bewusste Design-Oberfläche weitet sich mit der Zeit. Jede Patentlandschaft, die DeepSnow für ein Produkt kartiert, wird ein Input für das nächste. Die Engine akkumuliert strukturelles Wissen darüber, was verteidigungsfähig ist und was nicht.
Das Produktportfolio diversifiziert die Erlöse. SL6733 hat Beschneiungsindustrie-Exposition. DS-400 hat Eisflächen-Industrie-Exposition. Food-IRI hat Kühlketten-Exposition. Derselbe Chemie-Stack über mehrere Endmärkte ist ein deutlich widerstandsfähigeres Geschäft als eine Einzelprodukt-Wette.

Was das nicht ist

Eine Plattform-Behauptung ist eine starke Behauptung, und wir wollen ehrlich sein über das, was wir noch nicht ausgeliefert haben:

Die Discovery-Engine ist keine Blackbox, die magisch optimale Kandidaten produziert. Es ist Software mit messbaren Fehlerraten, und sie wird besser mit mehr Wetlab-Daten. Wir sind nicht der AlphaFold der Polymere — wir sind ein domänenspezifisches Werkzeug, das in einer engen aber kommerziell wertvollen Region des Designraums (IRI-aktive Polymere und Polypeptide) gut funktioniert.
SL6733 ist noch nicht in der Auslieferung. Es ist in aktiver F&E mit EU-Laborpilot-Versuchen geplant für 2026/27. Der kommerzielle Zeitplan ist 2027/28.
DS-100 und DS-400 sind in früheren F&E-Stadien. Labor-Pilot-Daten liegen vor; Pilotversuche mit Betreibern sind 2027/28+.

Die Plattform baut sich auf, aber der Aufbau braucht Saisons.

Wo einsteigen

Wenn Sie Skigebietsbetreiber, Polymerchemiker, Eiswissenschaftler oder Investor sind und neugierig sind, wie die Plattform funktioniert — nutzen Sie das Kontaktformular. Für Pilots: hier ist die Kohorten-Anmeldung.

Weiterführende Lektüre

— Mitchell McLennan, Gründer