Maschinelles Lernen trifft auf molekulare Medizin: Ein internationales Forscherteam hat KI-Algorithmen genutzt, um die Entwicklung von Lipid-Nanopartikeln für die mRNA-Zustellung drastisch zu beschleunigen – und ebnet damit den Weg für eine neue Generation gezielter Therapien.
KI-gestützte Optimierung von Lipid-Nanopartikeln beschleunigt mRNA-Wirkstoffforschung
Einem chinesisch-internationalen Forscherteam ist es gelungen, mithilfe von Machine-Learning-Algorithmen die Entwicklung von Lipid-Nanopartikeln (LNPs) für die gezielte mRNA-Zustellung im lebenden Organismus erheblich zu beschleunigen. Die in Nature Biomedical Engineering veröffentlichte Studie zeigt, wie KI-Modelle die räumliche Konformation ionisierbarer Lipide analysieren und daraus verbesserte Wirkstoffträger ableiten – ein Ansatz, der die aufwändige Laborarbeit bei der Entwicklung neuer Therapien deutlich reduzieren könnte.
Warum LNPs so schwer zu optimieren sind
Lipid-Nanopartikel gelten als einer der zentralen Bausteine moderner mRNA-Therapeutika – ein Konzept, das durch die COVID-19-Impfstoffe von BioNTech/Pfizer und Moderna einer breiten Öffentlichkeit bekannt wurde. Die Partikel umhüllen die empfindliche mRNA und schützen sie auf dem Weg zur Zielzelle vor dem Abbau.
Die Herausforderung liegt in der Zusammensetzung: Insbesondere ionisierbare Lipide, die je nach pH-Wert ihre Ladung ändern, entscheiden darüber, ob ein LNP effizient in eine bestimmte Zelle eindringt – etwa in Tumorzellen oder spezifische Organe. Die klassische Optimierung dieser Verbindungen durch systematisches Screening ist zeitaufwändig und kostenintensiv.
Räumliche Molekülstruktur als Trainingsdaten
Das Forscherteam um Lin-Jia Su und Yao-Xin Lin trainierte Machine-Learning-Modelle auf Basis der dreidimensionalen Konformationsdaten ionisierbarer Lipide. Statt ausschließlich auf chemische Summenformeln oder zweidimensionale Strukturmerkmale zurückzugreifen, berücksichtigten die Algorithmen die räumliche Geometrie der Moleküle – ein Faktor, der für die biologische Aktivität entscheidend ist, in bisherigen Screening-Ansätzen aber häufig vernachlässigt wurde.
Das Modell lernte, Struktureigenschaften mit der Effizienz der mRNA-Zustellung in verschiedenen Gewebetypen zu korrelieren – und schlug anschließend neue Lipidkandidaten vor, die im Labor gezielt synthetisiert und getestet wurden.
Verbesserte Zielgenauigkeit in Tiermodellen
In präklinischen Versuchen zeigten die KI-optimierten LNPs eine verbesserte Selektivität für bestimmte Gewebe, darunter Tumorgewebe – was für die Entwicklung von mRNA-basierten Krebsvakzinen relevant ist. Die Studie ordnet sich damit in einen wachsenden Forschungsbereich ein, der Machine Learning nicht mehr nur für die Sequenzanalyse in der Genomik einsetzt, sondern für das strukturbasierte Design von Wirkstoffträgern.
Die Ergebnisse sind noch präklinisch – klinische Studien am Menschen stehen aus, und die Übertragbarkeit der Tiermodell-Daten auf den Menschen bleibt eine zentrale offene Frage.
Methodik mit Potenzial für breitere Anwendung
Bemerkenswert an der publizierten Methodik ist ihr generalistischer Charakter: Das Prinzip, räumliche Konformationsdaten als Eingabe für Optimierungsmodelle zu nutzen, lässt sich grundsätzlich auf andere Klassen von Wirkstoffträgern übertragen. Forschungsgruppen, die an RNA-Interferenz, Gentherapie oder personalisierten Tumorvakzinen arbeiten, könnten von ähnlichen KI-gestützten Designschleifen profitieren.
Einordnung: Strategischer Trend für die Pharmaindustrie
Für deutsche Pharmaunternehmen und Biotechfirmen – von der etablierten Industrie bis zu Startups im mRNA-Umfeld – verdeutlicht die Studie einen strukturellen Trend:
Die Integration von Structural-AI-Ansätzen in frühe Entwicklungsphasen wird zum Differenzierungsmerkmal im globalen Wettbewerb um Wirkstoffkandidaten.
Wer bislang Machine Learning vor allem in der Datenauswertung klinischer Studien einsetzt, sollte die Anwendung auf das molekulare Design von Trägersystemen strategisch prüfen – gerade angesichts der Investments, die in diesem Bereich weltweit zunehmen.
Quelle: Nature Biomedical Engineering
