
In einer bahnbrechenden Studie haben Forscher generative KI-Modelle verwendet, um de-novo-Antikörper gegen drei verschiedene Ziele zu entwickeln. Diese Entdeckung könnte einen enormen Einfluss auf die Verfügbarkeit von Therapeutika für Patienten haben und zeigt das Potenzial von generativer KI im Bereich der Antikörperentwicklung.
Generative KI-Modelle, die auf Deep-Learning-Technologien basieren, können neue, potenziell wirksame Antikörperstrukturen entwerfen, indem sie bestehende Proteinsequenzen und -strukturen analysieren. Diese Modelle nutzen Muster und Beziehungen zwischen den Proteinsequenzen, um Antikörper mit hoher Bindungsaffinität (Anziehungskraft) und Spezifität (Zielgenauigkeit) für ihre Zielantigene vorherzusagen. Durch die Anwendung generativer KI in der Antikörperentwicklung kann die Entdeckung und Entwicklung neuer Therapeutika beschleunigt werden, was wiederum die Behandlung von schwer zu behandelnden Krankheiten verbessern kann.
Die Ziele und die verwendeten Modelle
Die Studie konzentrierte sich auf die Entwicklung von Antikörpern gegen den humanen epidermalen Wachstumsfaktor-Rezeptor 2 (HER2), den humanen vaskulären endothelialen Wachstumsfaktor A (VEGF-A) und das SARS-CoV-2-Spike-RBD (COVID-19 Omicron-Variante). Die Forscher nutzten Deep-Learning-Modelle und maschinelles Lernen, um diese Antikörper de-novo zu entwickeln.
Charakterisierung und Bindungsrate
Die entwickelten Antikörper wurden mit der Oberflächenplasmonenresonanz (SPR) charakterisiert. Die Studie verglich die Bindungsraten der entwickelten Antikörper mit biologischen Basislinien und stellte fest, dass sie eine hohe Bindungsrate aufweisen. Die Forscher verwendeten auch die „Activity-specific Cell-Enrichment“ (ACE)-Technik zur Validierung der Bindung.

Hohe Diversität und geringe Sequenzidentität
Ein bemerkenswertes Ergebnis dieser Studie ist die hohe Diversität der entwickelten Antikörper und ihre geringe Sequenzidentität zu bekannten Antikörpern. Dies legt nahe, dass die generative KI in der Lage ist, völlig neue Antikörperstrukturen zu entwickeln, die sich von herkömmlichen Ansätzen unterscheiden.
Anwendbarkeit und Beschleunigung der Antikörperentwicklung
Die Studie zeigt die Anwendbarkeit der generativen KI im Bereich der Antikörperentwicklung und wie sie die Entwicklung von Antikörpern für neue therapeutische Ziele beschleunigen kann. Durch den Einsatz von KI-Modellen können Forscher in kürzester Zeit potenziell wirksame Antikörper entwickeln.
Der Nullschuss-Ansatz

Interessanterweise verwendet die Studie den „Nullschuss“-Ansatz, bei dem keine weitere Optimierung der entwickelten Antikörper durchgeführt wird. Dies zeigt, dass die generative KI bereits in der Lage ist, effektive Antikörperstrukturen ohne zusätzliche Anpassungen zu entwickeln.
Potenzielle therapeutische Anwendungen
Die entwickelten Antikörper könnten potenziell zur Entwicklung neuer Therapeutika beitragen, insbesondere im Kampf gegen Krankheiten wie Krebs und COVID-19. Die Studie zeigt, dass generative KI-Modelle ein leistungsfähiges Werkzeug zur Beschleunigung der Entdeckung und Entwicklung neuer Medikamente sein können.

Was ist generative Künstliche Intelligenz (KI)?
Generative Künstliche Intelligenz bezieht sich auf KI-Systeme, die in der Lage sind, neue Daten, Inhalte oder Strukturen zu erzeugen, die sich von den Trainingsdaten unterscheiden. Sie basieren auf Deep-Learning-Modellen wie Generative Adversarial Networks (GANs) oder Variational Autoencoders (VAEs), die komplexe Muster in Daten lernen und diese Muster nutzen, um neue Beispiele zu generieren
Was sind Antikörper?
Antikörper sind Proteine, die vom Immunsystem produziert werden, um fremde Substanzen wie Viren, Bakterien oder Toxine zu erkennen und abzuwehren. Sie haben eine hohe Spezifität für ihr Ziel, das Antigen, und können dieses binden und neutralisieren oder das Immunsystem zur Eliminierung des Antigens aktivieren.
Wie können generative KI-Modelle zur Antikörperentwicklung eingesetzt werden?
Generative KI-Modelle können verwendet werden, um neue Antikörperstrukturen zu entwerfen, indem sie bestehende Proteinsequenzen und -strukturen analysieren und darauf basierend neue, potenziell wirksame Antikörperkandidaten generieren. Diese Modelle nutzen Muster und Beziehungen zwischen Proteinsequenzen, um Antikörper mit hoher Affinität und Spezifität für ihre Zielantigene vorherzusagen.
Was ist der Vorteil der Verwendung generativer KI in der Antikörperentwicklung?
Der Hauptvorteil der Verwendung generativer KI besteht darin, dass sie die Entwicklung von Antikörpern beschleunigen und neue, bisher unerforschte Antikörperstrukturen identifizieren kann. Dies kann zur Entwicklung von Therapeutika mit verbesserter Wirksamkeit und Sicherheit führen und die Entdeckung neuer Medikamente für schwer zu behandelnde Krankheiten ermöglichen.
Was ist die Oberflächenplasmonenresonanz (SPR)?
Die Oberflächenplasmonenresonanz ist eine experimentelle Technik, die zur Charakterisierung der Bindungseigenschaften von Molekülen, einschließlich Antikörpern, verwendet wird. Sie misst die Änderung der Brechungsindex auf einer Oberfläche, wenn Moleküle binden oder dissoziieren, und ermöglicht die Bestimmung von Bindungsaffinität, Kinetik und Spezifität.
Was ist die „Activity-specific Cell-Enrichment“ (ACE)-Technik?
Die „Activity-specific Cell-Enrichment“ (ACE)-Technik ist ein Verfahren zur Validierung der Bindungseigenschaften von Antikörpern. Dabei werden Zellen, die spezifische Antikörper exprimieren, angereichert und auf ihre Fähigkeit hin untersucht, an das Zielantigen zu binden. Diese Technik ermöglicht es, Antikörperkandidaten auf ihre Funktionalität hin zu überprüfen.