Bessere Antikörper dank künstlicher Intelligenz |
 |  | Annette Rößler |
 |
15.09.2025 07:00 Uhr |
Um als Arzneistoffe eingesetzt werden zu können, müssen Antikörper neben einer therapeutischen Wirkung bestimmte Kriterien erfüllen. So sollten sie möglichst keine unbeabsichtigten Immunantworten auslösen sowie chemisch und physikalisch stabil sein. Ein Maß dafür, wie gut alle diese Anforderungen unter einen Hut zu bringen sind, ist die sogenannte Developability, also die pharmazeutisch-technologische Entwickelbarkeit.
»Pharmakon« erscheint sechsmal jährlich. Jede Ausgabe hat einen inhaltlichen Schwerpunkt, der aus unterschiedlichen Perspektiven aufbereitet wird. / © Avoxa
Für die Hersteller ist es sehr wichtig, dazu früh im Entwicklungsprozess eine valide Prognose zu erstellen. KI-Systeme nutzen Eigenschaften wie die Ladung und das Ausmaß sowie die Verteilung von hydrophoben Bereichen von zugelassenen Antikörpern, um die Developability von neuen Antikörpern abzuschätzen.
Die subkutane Anwendung von Antikörpern hat gegenüber der intravenösen den Vorteil, dass sie gegebenenfalls durch den Patienten selbst erfolgen kann. Subkutan können aber nicht so große Volumina verabreicht werden wie intravenös. Lösungen mit Antikörpern zur subkutanen Anwendung müssen daher höher konzentriert sein als solche zur intravenösen Anwendung.
Um in eine hochkonzentrierte Lösung gebracht werden zu können, dürfen Antikörper nicht dazu neigen, Aggregate zu bilden oder auszufallen. Hierfür entscheidend sind Eigenschaften wie der isoelektrische Punkt, die Größe hydrophober Bereiche und die Anzahl negativ geladener Bereiche. Um dies zu optimieren, helfen KI-gestützte Methoden.
Die Beispiele zeigen, dass KI aus der Entwicklung von therapeutischen Antikörpern mittlerweile nicht mehr wegzudenken ist. Die Systeme würden zusammen mit experimentellen Daten von den Firmen routinemäßig eingesetzt, berichtet der Autor. Es sei zu erwarten, dass sie in den kommenden Jahren eine noch höhere Präzision erreichen werden.
Nichtsdestotrotz bleibe die Entwicklung von Antikörpern ein komplexer, mehrstufiger Prozess, der ein tiefes Verständnis von Krankheiten und Antikörpereigenschaften erfordert. Da KI stets nur so gut sein kann wie die Daten, auf denen sie trainiert wurde, sei es für die Verbesserung der Systeme unerlässlich, neue relevante Datensätze zu generieren. Denn die derzeit verfügbaren Datensätze zu den physikochemischen Eigenschaften von Antikörpern seien im Vergleich mit denen von kleinen Molekülen noch begrenzt.
