Bessere Antikörper dank künstlicher Intelligenz

Antikörper sind komplexe Gebilde, die zu diversen Zwecken therapeutisch eingesetzt werden. Ihre dreidimensionale Struktur wird von der Aminosäureabfolge bestimmt und weist in bestimmten Regionen eine nahezu unbegrenzte mögliche Vielfalt auf. Die Faltung und andere Eigenschaften von Antikörpern vorherzusagen, war lange Zeit äußerst schwierig. Mittlerweile können KI-Methoden bei bestimmten Schritten im Entwicklungsprozess von Antikörpern eine große Hilfe sein, wie Dr. Daniel Kuhn von der Firma Merck Healthcare KGaA in der Ausgabe 04/2025 der DPhG-Mitgliederzeitschrift »Pharmakon« ausführt.

Der Beitrag, den KI zur Optimierung von Antikörpern leisten kann, ist so bedeutend, dass er 2024 den drei Forschern Professor Dr. David Baker, Dr. Demis Hassabis und Dr. John Jumper den Nobelpreis für Chemie einbrachte. Hassabis und Jumper entwickelten das KI-System AlphaFold, das mit Kristallstrukturen von Proteinen trainiert wurde und Deep Learning verwendet, um aus einer gegebenen Aminosäuresequenz ein 3D-Modell zu erstellen. Dies gelingt dem System mittlerweile mit hoher Präzision.

Die neueste Version, AlphaFold3, kann bereits die Interaktion dieser Proteine mit DNA, RNA und Liganden modellieren. Allerdings stelle die Vorhersage der 3D-Struktur von Antigen-Antikörper-Komplexen nach wie vor eine große Herausforderung dar, so Kuhn. AlphaFold3 übertreffe hier zwar ältere Systeme, scheitere aber noch in 60 Prozent der Fälle an dieser Aufgabe.

Die genau umgekehrte Entwicklungsrichtung ist es, von einer dreidimensionalen Proteinstruktur auszugehen und die entsprechende Aminosäuresequenz zu suchen. Diesen Ansatz, der als inverse Faltung bezeichnet wird, verfolgt die Arbeitsgruppe des dritten Nobelpreisträgers von 2024, David Baker. Derzeit sei es jedoch noch nicht möglich, ausschließlich am Computer Antikörper zu designen, die spezifisch und mit ausreichend hoher Affinität ein bestimmtes Epitop eines Antigens binden, schreibt Kuhn.