Biologisches Wissen macht KI-Modelle deutlich besser bei der Vorhersage von Antikörpern
KI-Modelle, die Proteine analysieren, haben einen blinden Fleck: Sie lernen aus Daten, ohne zu verstehen, wie Evolution tatsächlich funktioniert. Ein neuer Trainingsansatz behebt das – und könnte die Entwicklung besserer Medikamente und Antikörpertherapien beschleunigen.
Protein-Sprachmodelle funktionieren ähnlich wie KI-Systeme zur Texterzeugung: Sie erkennen Muster in riesigen biologischen Datensätzen und nutzen diese, um vorherzusagen, welche Proteinsequenzen welche Eigenschaften aufweisen. Die Technologie hat die pharmazeutische Forschung bereits aufgemischt. Doch es gibt eine grundlegende Einschränkung: Diese Modelle lernen aus dem, was existiert – nicht daraus, wie es entstanden ist. Bei Antikörpern ist dieser Unterschied von entscheidender Bedeutung.
Antikörper sind nicht von Anfang an optimiert. Sie durchlaufen einen Prozess namens Affinitätsreifung: Während das Immunsystem eine Infektion bekämpft, mutieren B-Zellen ihre Antikörpergene, und der Körper selektiert jene Varianten, die am wirksamsten an das Ziel binden. Es ist Evolution im Mikromaßstab, die sich in Echtzeit abspielt. Ein Modell, das diese evolutionären Trajektorien wirklich versteht – welche Mutationen wahrscheinlich sind, welche Bindungseigenschaften sich verbessern – könnte grundsätzlich Antikörper entwerfen, die alles übertreffen, was das Immunsystem auf natürlichem Weg hervorbringen würde.
Biologie als Trainingsregel, nicht nur als Trainingsdaten
Die in eLife veröffentlichte Studie stellt ein Trainingsparadigma vor, das diese biologische Logik explizit einbezieht. Anstatt das Modell rein auf statistischen Mustern bekannter Antikörpersequenzen zu trainieren, wird es auf den evolutionären Pfaden geschult, die Antikörper während der Reifung einschlagen. Es lernt nicht nur, welche Sequenzen existieren, sondern warum sie entstanden sind und wie der nächste Schritt in dieser Evolution aussehen könnte.
In Benchmark-Tests übertraf das biologisch informierte Modell bestehende Ansätze bei der Vorhersage von Affinitätsreifungstrajektorien. Es war also besser darin, vorherzusagen, welche Antikörpervarianten stärker an ihre Zielstrukturen binden würden.
Vom Forschungswerkzeug in die Arzneimittelentwicklung
Der praktische Einsatz ist bedeutsam. Antikörpertherapien gehören zu den am schnellsten wachsenden Arzneimittelklassen und werden bei Krebs, Autoimmunerkrankungen und Infektionen eingesetzt. Doch einen Antikörper zu entwickeln, der gut bindet, stabil bleibt und keine Immunreaktion beim Patienten auslöst, ist kostspielig und zeitaufwendig. Wenn KI-Modelle diesen Prozess beschleunigen können, indem sie vielversprechendere Kandidaten früher identifizieren, könnte das erhebliche Auswirkungen auf die Zeitpläne der Medikamentenentwicklung haben.
Eine offene Frage schwebt jedoch über dem Ansatz: Wie viel Biologie ist genug? Modelle lassen sich mit immer mehr biologischen Einschränkungen anreichern, doch ab einem gewissen Punkt werden sie so komplex, dass sie schwer interpretierbar und kaum verallgemeinerbar sind. Die richtige Balance zwischen biologischer Präzision und praktischer Nutzbarkeit zu finden, ist eine methodische Herausforderung, die das Forschungsfeld bislang nicht gelöst hat.