KI optimiert Lipidnanopartikel für hitzebeständige mRNA-Impfstoffe

KI optimiert Lipidnanopartikel für hitzebeständige mRNA-Impfstoffe

Forschende am Massachusetts Institute of Technology (MIT) haben einen KI-Algorithmus genutzt, um die Formulierung von Lipidnanopartikeln so zu verändern, dass mRNA-Impfstoffe deutlich hitzebeständiger werden. Wie das Team um Ana Jaklenec und Robert Langer vom Koch Institute for Integrative Cancer Research gemeinsam mit Fachleuten des Computer Science and Artificial Intelligence Laboratory berichtet, blieben die optimierten Impfstoffe bei Raumtemperatur bis zu einem Jahr stabil; bei knapp 100 Grad Fahrenheit hielten sie zwei Monate. Lipidnanopartikel sind die üblichen Transportvehikel für mRNA-Impfstoffe, und ihre Zusammensetzung bestimmt, wie gut die empfindliche Boten-RNA vor Abbau geschützt wird. Bislang erfordern solche Impfstoffe in der Regel eine Ultrakaltlagerung zwischen minus 20 und minus 80 Grad Celsius. Der neue Ansatz zielt darauf ab, diese Abhängigkeit zu verringern. Der KI-Algorithmus reduziert die Anzahl der nötigen Experimente, indem er auf Basis kleiner Datensätze die optimalen Verhältnisse von Hilfsstoffen vorhersagt. Statt Tausende von Versuch-und-Fehler-Experimenten durchzuführen, sagt das Modell gezielt Kombinationen voraus, die die verkapselte mRNA auch bei höheren Temperaturen stabil halten. Dadurch wird der experimentelle Aufwand erheblich gesenkt und die Entwicklung beschleunigt. Die Ergebnisse deuten darauf hin, dass sich die Kühlkette für mRNA-Impfstoffe künftig deutlich entlasten ließe.

Algorithmus mit kleinen Datensätzen und Mausversuch bestätigt Wirksamkeit

Der eingesetzte Algorithmus benötigt nur kleine Datensätze und screenete fast 50 von der US-Arzneimittelbehörde FDA zugelassene Hilfsstoffe. Zunächst bewertete ein Biolumineszenz-Reporterassay, wie gut diese Stoffe die verkapselte mRNA schützen. Auf dieser Grundlage sagte das Modell vielversprechende Kombinationen voraus, die anschließend in vitro getestet wurden. Dieser Ablauf ersetzt einen Großteil der sonst üblichen Versuch-und-Fehler-Zyklen: Statt jede mögliche Formulierung experimentell durchzuprobieren, grenzt der Algorithmus die Kandidaten anhand der Reporterdaten ein und schlägt nur die aussichtsreichsten Mischungen vor. Im Mausversuch erzeugten die mit diesen Partikeln verabreichten Covid-19-Impfstoffe eine ebenso starke Immunantwort wie ein RNA-Impfstoff, der einem Moderna-Impfstoff ähnelt. Dadurch wird der Entwicklungsprozess erheblich beschleunigt, weil weniger Experimente nötig sind und gezielt Formulierungen mit den gewünschten Eigenschaften erreicht werden. Die Forschenden betonen, dass sich mit dem Verfahren gezielt Formulierungen mit gewünschten Eigenschaften erreichen lassen.

Potenzial für Regionen ohne zuverlässige Kühlketten

Herkömmliche mRNA-Impfstoffe benötigen eine Ultrakaltlagerung zwischen minus 20 und minus 80 Grad Celsius, was den Einsatz in Regionen ohne zuverlässige Kühlketten stark einschränkt. Die neue Entwicklung könnte diese Hürde senken, weil die optimierten Formulierungen bei Raumtemperatur und sogar bei erhöhter Temperatur stabil bleiben. Ana Jaklenec betont die Effizienz des Algorithmus: „The real beauty of this algorithm is that we can use it with small data sets. It’s really hard to run thousands of experiments, so this algorithm allows us to more easily achieve formulations with features that we want — in this case, stability.“ Damit lassen sich künftig möglicherweise Impfstoffe herstellen, die ohne durchgehende Tiefkühlung auskommen und so die Verteilung in entlegenen oder schlecht ausgestatteten Gebieten erleichtern.