Robert Klatt
mRNA-Impfstoffe werden mit Lipid-Nanopartikeln (LNPs) in Zellen eingeschleust. Eine Künstliche Intelligenz (KI) hat neue LNPs entworfen, die deutlich effizienter als kommerziell genutzte LNPs sind. Das System soll in Zukunft die Wirkung von bestehenden Impfstoffen verbessern und die Entwicklung von neuen Impfstoffen vereinfachen.
Cambridge (U.S.A.). Die meisten mRNA-Impfstoffe werden in Lipid-Nanopartikeln (LNPs) verpackt, um die mRNA-Moleküle zu schützen und um das Eindringen in die Zellen zu vereinfachen. Bessere LNPs können deshalb die Wirkung von bestehenden Impfstoffen deutlich erhöhen und die Entwicklung von neuen Impfstoffen vereinfachen.
Die meisten LNPs bestehen aus Cholesterin, einem Hilfslipid, einem ionisierbaren Lipid sowie einem Lipid, das mit Polyethylenglykol (PEG) verbunden ist. Weil diese vier Bestandteile jeweils durch unterschiedliche Versionen ausgetauscht werden können, gibt es eine Vielzahl an möglichen Kombinationen. Weil das manuelle Erproben dieser Kombinationen aufwendig ist, haben Forscher des Massachusetts Institute of Technology (MIT) eine Künstliche Intelligenz (KI) entwickelt, die diese Aufgabe übernehmen kann.
„Die meisten KI-Modelle in der Wirkstoffentwicklung optimieren eine einzelne Substanz. Dieses Prinzip funktioniert bei Lipid-Nanopartikeln nicht, da sie aus mehreren interagierenden Komponenten bestehen. Deshalb haben wir ein neues Modell namens COMET entwickelt, inspiriert von der Transformer-Architektur, die auch große Sprachmodelle wie ChatGPT antreibt. So wie diese Modelle verstehen, wie Wörter zusammenspielen, lernt COMET, wie chemische Bausteine ein Nanopartikel formen und dessen Eigenschaften beeinflussen.“
Laut der Publikation im Fachmagazin Nature Nanotechnology haben die Forscher zunächst im Labor rund 3000 LNPs darauf untersucht, wie effizient diese mRNA in Zellen einschleusen können. Die Daten haben sie anschließend verwendet, um die KI zu trainieren.
Anschließend hat die KI auf Basis der umfassenden Trainingsdaten neue LNPs erstellt. Die Forscher haben diese anschließend produziert und erprobt, wie effizient die neuen Formulierungen ein fluoreszierendes Protein in Hautzellen von Mäusen einschleusen können. Dabei stellten sie fest, dass die von der KI entworfenen Nanopartikel die zuvor bestehenden LPNs, darunter auch kommerziell genutzte LNPs, deutlich übertreffen.
„Was wir getan haben, war der Einsatz von maschinellen Lernwerkzeugen, um die optimale Zusammensetzung von Lipid-Nanopartikeln viel schneller als bisher zu identifizieren – sei es für die Zielsteuerung auf andere Zelltypen oder für die Integration neuer Materialien.“
Anschließend haben die Forscher untersucht, ob verzweigte Poly-beta-Aminoester (PBAEs) in LNPs integriert werden können. Dazu haben sie 300 weitere LNPs mit PBAEs produziert und die KI erneut trainiert. Das System hat daraufhin weitere LNPs entwickelt, die noch effizienter mRNA in Zellen einschleusen können.
Die Wissenschaftler haben daraufhin das Modell erweitert, um Partikel für unterschiedliche Zelltypen identifizieren zu können, darunter Caco-2-Zellen, die aus Darmkrebszellen abgeleitet sind. Die KI hat auch bei diesen Aufgaben wirksame Formulierungen entworfen. Schlussendlich haben die Forscher das Modell verwendet, um Partikel zu identifizieren, die eine Gefriertrocknung zur längeren Haltbarkeit (Lyophilisierung) besonders gut überstehen.
„Dieses Werkzeug erlaubt es uns, ganz unterschiedliche Fragestellungen zu adressieren und die Entwicklung massiv zu beschleunigen. Wir haben ein großes Datenset für das Training genutzt, können nun aber viel gezielter experimentieren und konkrete Ergebnisse für sehr unterschiedliche Fragestellungen erhalten.“
Die Forscher arbeiten nun daran, die Partikel in potenzielle Therapien für Adipositas und Diabetes einzubinden.
Nature Nanotechnology, doi: 10.1038/s41565-025-01975-4
