Ein neues Machine-Learning-Modell kann voraussagen, ob Peptide während der chemischen Synthese unerwünscht zusammenklumpen – und könnte damit die pharmazeutische Wirkstoffforschung grundlegend beschleunigen.
Machine Learning verbessert Vorhersage von Peptid-Aggregation bei der chemischen Synthese
Forscher haben ein auf maschinellem Lernen basierendes Modell entwickelt, das Aggregationsprobleme bei der chemischen Peptid-Synthese vorhersagen kann. Die Studie, veröffentlicht in Nature Chemistry, könnte den zeit- und kostenintensiven Entwicklungsprozess pharmazeutischer Wirkstoffe deutlich effizienter gestalten.
Aggregation als zentrales Problem der Peptid-Synthese
Die Festphasensynthese (Solid-Phase Peptide Synthesis, SPPS) ist das Standardverfahren zur Herstellung therapeutischer Peptide. Ein häufiges Problem dabei ist die unerwünschte Aggregation – also das Zusammenklumpen von Peptidketten während des Syntheseprozesses. Diese Aggregation führt zu unvollständigen Reaktionen, verminderten Ausbeuten und erhöhtem Nacharbeitsaufwand.
Bislang war es nur begrenzt möglich, dieses Verhalten im Voraus zu erkennen; Chemiker mussten sich auf Erfahrungswerte und aufwändige experimentelle Iterationen verlassen.
Modellansatz und Methodik
Das von Vikram Khipple Mulligan und Kollegen entwickelte Modell wurde auf experimentellen Synthesedaten trainiert und lernt, auf Basis der Aminosäuresequenz eines Peptids dessen Aggregationsneigung vorherzusagen. Im Kern nutzt der Ansatz die Mustererkennung moderner Machine-Learning-Architekturen, um physikochemische Eigenschaften von Peptidsequenzen mit tatsächlich beobachteten Syntheseproblemen zu verknüpfen.
Entscheidend dabei ist die Qualität und Breite der Trainingsdaten: Das Modell wurde mit einer großen Sammlung realer Syntheseergebnisse entwickelt, was es in die Lage versetzt, auch komplexe Sequenz-Eigenschafts-Beziehungen zu erkennen, die klassischen regelbasierten Ansätzen verborgen bleiben.
Die Validierungsergebnisse zeigen, dass das Modell Aggregationsrisiken mit statistisch belastbarer Genauigkeit identifiziert.
Praktische Konsequenzen für die Wirkstoffforschung
In der pharmazeutischen Peptidentwicklung bedeutet jeder Syntheseversuch, der aufgrund von Aggregationsproblemen scheitert, direkte Kosten und Zeitverlust. Ein prädiktives Werkzeug, das problematische Sequenzen bereits in der Planungsphase markiert, erlaubt es Chemikern:
- Sequenzmodifikationen vorzunehmen, bevor wertvolle Ressourcen eingesetzt werden
- alternative Syntheseprotokolle gezielt einzuplanen
- Kandidatenbibliotheken mit hunderten oder tausenden von Sequenzen effizient auf ihre Synthesierbarkeit zu prüfen
Für die Entwicklung von Peptidwirkstoffen – einem Segment, das in der Onkologie, Diabetologie und bei seltenen Erkrankungen stark an Bedeutung gewonnen hat – könnte sich die Technologie als nützliches Planungswerkzeug in frühen Entwicklungsphasen erweisen.
Einordnung und Grenzen
Die Studie ist als „News & Views”-Beitrag klassifiziert und steht damit im Kontext laufender wissenschaftlicher Diskussion. Offene Fragen betreffen:
- die Übertragbarkeit des Modells auf Synthesebedingungen außerhalb des Trainingsdatensatzes
- die Robustheit bei ungewöhnlichen oder sehr langen Peptidsequenzen
- die Qualität der Eingangsdaten als limitierender Faktor aller datengetriebenen Ansätze
Relevanz für die Industrie
Für deutsche Pharmaunternehmen und Auftragsforschungsorganisationen (CROs), die Peptidwirkstoffe entwickeln oder herstellen, ist der Ansatz vor allem als Ergänzung bestehender Syntheseplanungs-Workflows interessant. Anbieter von LIMS- und Cheminformatik-Plattformen dürften solche Modelle mittelfristig als integrierbare Module anbieten.
Unternehmen, die heute in strukturierte Synthesedaten investieren, verbessern damit zugleich die Basis für den Einsatz ähnlicher prädiktiver Werkzeuge in der Zukunft.
Quelle: Nature Chemistry
