Die verborgene Evolution im Immunsystem – und was das für Impfstoffe bedeutet
Jedes Mal, wenn der Körper eine Infektion bekämpft oder auf einen Impfstoff reagiert, veranstaltet das Immunsystem einen miniaturisierten Evolutionswettbewerb. Die Zellen, die bessere Antikörper produzieren, setzen sich durch und vermehren sich. Doch die genauen Regeln dieses Wettbewerbs waren bislang unbekannt – bis jetzt.
Wenn der Körper auf einen Krankheitserreger trifft, tun B-Zellen, eine Art weißer Blutkörperchen, weit mehr als nur Antikörper zu produzieren. In Strukturen, die als Keimzentren bezeichnet werden – winzige ovale Knoten in den Lymphknoten und der Milz – durchlaufen B-Zellen einen beschleunigten Evolutionsprozess. Sie mutieren in rascher Folge, und jene Varianten, die fester an den eindringenden Krankheitserreger oder an ein Impfstoffprotein binden, werden selektiv verstärkt. Das Ergebnis ist eine schrittweise Verbesserung der Antikörperqualität, die präzise auf die jeweilige Bedrohung abgestimmt ist.
Dieser Vorgang, bekannt als Affinitätsreifung, ist grundlegend für eine starke und dauerhafte Immunantwort. Er erklärt auch, warum Impfstoffe typischerweise mehrere Dosen erfordern: Jede wiederholte Exposition löst eine weitere Runde der Selektion und Verbesserung aus. Doch die genaue Mathematik hinter diesem Prozess – wie stark eine höhere Bindungsaffinität die Chancen einer B-Zelle tatsächlich erhöht, mehr Nachkommen zu erzeugen – war bislang ungeklärt. Forschende bezeichnen diesen Zusammenhang als „Affinität-Fitness-Antwortfunktion", und bis jetzt war es niemandem gelungen, ihre Form zu bestimmen.
Simulation als Mikroskop
Das Forschungsteam entwickelte einen Ansatz, den es als simulationsbasiertes Deep Learning bezeichnet. Die Wissenschaftlerinnen und Wissenschaftler erstellten detaillierte Computermodelle von Keimzentren, führten diese Simulationen unter variierenden Annahmen über die Affinität-Fitness-Beziehung durch und trainierten anschließend ein neuronales Netz darauf, herauszufinden, welche simulierten Szenarien am besten mit echten biologischen Daten von tatsächlichen B-Zellen übereinstimmten. So konnten sie die unbekannte Antwortfunktion ableiten, ohne sie direkt messen zu müssen – eine beachtliche technische Leistung.
Die Konsequenzen für die Impfstoffentwicklung sind unmittelbar. Wer versteht, wie stark die affinitätsbasierte Selektion in Keimzentren wirkt, kann Impfstoffantigene so gestalten, dass sie diese Selektion effizienter antreiben und zuverlässiger hochwertige, langlebige Antikörperantworten erzeugen. Das ist besonders relevant für Impfstoffe gegen sich rasch verändernde Viren wie Influenza oder künftige SARS-Varianten, bei denen die Anforderungen an die Antikörperqualität besonders hoch sind.
Eine Methode mit Strahlkraft weit über diesen Befund hinaus
Der methodische Beitrag dürfte ähnlich bedeutsam sein wie das eigentliche Ergebnis. Simulationsbasierte Inferenz – der Einsatz von Computermodellen zur Schätzung biologischer Parameter, die sich nicht direkt messen lassen – ist eine aufkommende Technik mit Anwendungsmöglichkeiten in vielen Bereichen der Biologie. In Kombination mit Deep Learning wird sie in die Lage versetzt, komplexe, nichtlineare Prozesse abzubilden, an denen traditionelle mathematische Ansätze scheitern.
Keimzentren sind darüber hinaus an Autoimmunerkrankungen beteiligt: Läuft der Selektionsprozess fehl, können B-Zellen Antikörper produzieren, die körpereigenes Gewebe angreifen. Ein tieferes Verständnis der Evolutionsdynamik in diesen Strukturen könnte daher auch Erkenntnisse liefern, die für Erkrankungen wie Lupus oder rheumatoide Arthritis relevant sind – wenngleich die Übertragung dieses Wissens in klinische Anwendungen noch eine langfristige Perspektive bleibt.