KI in der Arzneimittelentwicklung Machine-Learning-Algorithmus soll die Formulierung von RNA-Wirkstoffen beschleunigen

Anbieter zum Thema

Glatt Ingenieurtechnik GmbH

Maag Pump Systems AG

Wacker Chemie AG

Corden Pharma GmbH

Gemeinsam mit der Ludwig-Maximilians-Universität München und der Humboldt-Universität Berlin haben Wacker und Corden Pharma ein Projekt gestartet, um die Entwicklung von RNA-basierten Arzneimitteln zu beschleunigen. Ziel ist es, eine neue Generation von Lipid-Nanopartikeln zu entwickeln, die ein wesentlicher Bestandteil von RNA-basierten Arzneimitteln sind.

Nach dem Erfolg von RNA-basierten Covid-19-Impfstoffen wird Arzneimitteln, die RNA als Wirkstoff enthalten, großes medizinisches Potenzial zugetraut. Im Fokus der Entwicklung stehen dabei nicht nur Impfstoffe gegen Infektionskrankheiten, sondern auch Therapien gegen Krebs und Erbkrankheiten. Weltweit wird an verschiedenen Wirkstoffen mit unterschiedlichen Lipid-Nanopartikel- Zusammensetzungen gearbeitet. In einem gemeinsamen Projekt haben sich Wacker, Corden Pharma, die LMU und die HU Berlin das Ziel gesetzt, die Entwicklung von RNA-basierten Arzneimitteln zu beschleunigen. Um dies zu erreichen, entwickeln die Partner eine neue Generation von Lipid-Nanopartikeln (LNPs) sowie ein Machine-Learning-System für die RNA-Formulierung, das die Entwicklungszeit verkürzen und die Kosten senken soll. Das Projekt, das am 1. April 2023 startet, ist auf drei Jahre angelegt und wird vom Bundeswirtschaftsministerium mit rund 1,4 Millionen Euro gefördert.

Die Partner übernehmen unterschiedliche Aufgaben im Projekt. Wacker liefert mit der Herstellung der RNA-Moleküle das Kernstück der RNA-basierten Arzneimittel. Neben der in der klinischen Anwendung im Vordergrund stehenden Messenger-Ribonukleinsäure (mRNA) stellt das Unternehmen für das Projekt auch andere RNA-Moleküle wie selbstamplifizierende RNAs (saRNA) und zirkuläre RNAs (circRNA) her. Für diese prüft der Konzern eigens neue Herstellprozesse.

Corden Pharma wird im Projekt gemeinsam mit der HU Berlin Grundbausteine für Nanopartikel, sogenannte modifizierte Lipide, entwickeln. Sie sorgen dafür, dass die Wirkstoffe sicher in den Körper gelangen und am Ziel freigesetzt werden.

Die Entwicklung von Lipid-Nanopartikeln für die RNA-Formulierung ist ein komplexer Prozess, der spezielle Lipide erfordert. Bisher basiert die LNP-Optimierung hauptsächlich auf Screening von funktionellen Lipiden in vielen zeit- und kostenintensiven Experimenten. Machine Learning, das ein Teilgebiet der künstlichen Intelligenz darstellt, soll dabei helfen, den Zusammenhang von funktionellen Lipiden und effektiven mRNA-Impfstoffen in Zellkulturexperimenten zu verstehen. Dies erlaubt den Partnern, eine neue Generation von Lipiden mit verbesserten Eigenschaften zu entwickeln, die zu noch wirksameren aktiven Inhaltsstoffen führen.

Corden Pharma und die HU Berlin werden die neuen Lipidbestandteile synthetisieren und diese in Verbindung mit den verschiedenen RNA-Molekülen physikochemisch analysieren. Die zelluläre Funktionalität der Formulierungen wird anschließend an der LMU München in Zellkulturversuchen untersucht. Hier zeigt sich, wie zielgerichtet und gut die Wirkstoffe freigesetzt werden. Mit dem Screening verschiedener RNA-Arten in Verbindung mit den modifizierten Lipiden soll eine möglichst breite Datenbasis entstehen.

Die Daten aus den physikalischen, chemischen und biologischen Analysen der LNPs sowie der verschiedenen RNA-Moleküle werden genutzt, um einen Machine-Learning-Algorithmus für RNA-Formulierungen zu trainieren. Beim maschinellen Lernen geht es darum, dass eine künstliche Intelligenz aus Beispielen lernt und diese nach Beendigung der Lernphase verallgemeinern kann. Konkret soll das System, dessen Aufbau an der LMU stattfinden wird, anhand der Eigenschaften der LNPs die passgenaue Zuordnung zu verschiedenen RNA-Molekülen und letztlich Therapieformen leisten. Der Algorithmus soll nach der Lernphase in der Lage sein, beliebigen RNA-Molekülen passende Formulierungsansätze zuzuordnen. Nach dem Training des Systems wird in der letzten Phase des auf drei Jahre angelegten Projekts die Funktionalität des Systems in einer konkreten Anwendung geprüft.

(ID:49314459)