Digital Think Tank (DTT)

Künstliche Intelligenz verbessert Viren für Gentherapien

Dependoviren oder Parvoviren, die mit Adenoviren (AAVs) "assoziiert" sind, sind sehr nützliche Werkzeuge in der Gentherapie. Das liegt daran, dass sie DNA in die Zelle übertragen können und für den Menschen ungefährlich sind. Daher werden sie als Träger der genetischen Information verwendet, die zur Bekämpfung von Krankheiten benötigt wird.

Bild Quelle: Pixabay

Allerdings gibt es schwerwiegende Einschränkungen, die dazu führen, dass ihr Einsatz derzeit stark eingeschränkt ist und nicht alle Patienten sie nutzen können, so dass nicht jeder eine Gentherapie erhalten kann. Die erste dieser Einschränkungen ist die begrenzte Fähigkeit von AAV, sich an Zellen anzuheften. Die zweite Einschränkung ist das menschliche Immunsystem. Es wird geschätzt, dass 50-70 % der Menschen gegen eine AAV-Infektion resistent sind, weil sie bereits mit einer Form dieses Virus in Berührung gekommen sind. In ihrem Fall funktionieren Gentherapien nicht, weil das Immunsystem Zeit hat, das Virus zu zerstören, bevor es in die Zelle eindringt und damit das genetische Material, das für die Durchführung der Therapie benötigt wird. Eines der wichtigsten Forschungsfelder der Gentherapie ist deshalb der Versuch, das Immunsystem zu überlisten.


Dr. George Church von der Harvard University hat in Zusammenarbeit mit Google Research und Dyno Therapeutics eine Deep-Learning-Technik verwendet, um höchst unterschiedliche Varianten des Kapsids (Proteinhülle) des AAV-Virus zu entwerfen. Die Forscher konzentrierten sich auf die viralen Genomsequenzen, die für ein Schlüsselproteinsegment kodieren, das eine zentrale Rolle bei der Infektion von Zielzellen und bei der Erkennung des Virus durch das Immunsystem spielt.


Die Spezialisten zeigten, dass es durch den Einsatz künstlicher Intelligenz möglich ist, eine große Anzahl differenzierter Kapsiden zu entwerfen, die dann auf ihre Fähigkeit getestet werden können, sich dem Angriff des Immunsystems zu entziehen. Die Forscher begannen mit einer kleinen Menge an Daten zu einem Kapsid, um 200.000 Varianten ins Visier zu nehmen.


Unsere Forschung zeigt deutlich, dass wir mit maschinellem Lernen eine riesige Anzahl von Varianten entwerfen können, weit mehr als in der Natur existieren. Wir arbeiten weiter an der Verfeinerung unserer Technik, um nicht nur Träger zu schaffen, die den Angriffen des Immunsystems standhalten, sondern sich auch effizienter und selektiver an ausgewählte Gewebetypen anlagern", sagt Eric Kelsic, PhD, Direktor und Mitbegründer von Dyno Therapeutics.
Aus einer in Nature veröffentlichten Arbeit erfahren wir, dass eine vorläufige Auswertung der von der KI entworfenen Kapsiden ergab, dass fast 60 % funktionieren könnten. Dies ist ein bedeutender Fortschritt. Derzeit wird die Zufallsmutagenese zur Differenzierung von Kapsiden verwendet, wobei der Prozentsatz an brauchbaren Kapsiden weniger als 1% beträgt.
Je mehr wir vom natürlichen Aussehen des AAV abweichen, desto wahrscheinlicher ist es, dass das Immunsystem es nicht erkennt, fügt Sam Sinai, Ph.D., der andere Gründer von Dyno Therapeutics, hinzu, der das Team leitete, das die Computermodellierung durchführte. Der Schlüssel zum Erfolg ist jedoch die Herstellung eines Kapsids, das die DNA-Nutzlast stabil tragen kann. Herkömmliche Methoden zur Gewinnung eines solchen Kapsids sind sehr zeit- und ressourcenintensiv, und es bleiben nur sehr wenige brauchbare Kapside erhalten. Hier hingegen können wir schnell eine große Vielfalt an AAV-Kapsiden gewinnen, die die Grundlage für die Weiterentwicklung von Gentherapien sind, die mehr Menschen zur Verfügung stehen."