Ein Team des MIT hat mit einem KI-Algorithmus eine neue Formulierung für RNA-Impfstoffe entwickelt, bei der die RNA umhüllenden Lipid-Nanopartikel (LNP) auch bei hohen Temperaturen stabil bleiben. Laut einer Mitteilung des MIT vom 28. September lässt sich der Impfstoff in der neuen Formulierung ein Jahr bei Raumtemperatur und rund zwei Monate bei etwa 37 Grad Celsius (98 Grad Fahrenheit) lagern. Die Studie erschien in Nature Biotechnology.
Die meisten bestehenden mRNA-Impfstoffe müssen bei minus 20 bis minus 80 Grad Celsius tiefgefroren gelagert werden, weshalb Transport und Lagerung von einer Kühlkette abhängen. Das war ein direkter Grund für die langsame Verteilung der Corona-Impfstoffe in einkommensschwachen Ländern — und der Hintergrund, vor dem diese Forschung eine Förderung der Gates-Stiftung erhielt.
Was der Algorithmus geleistet hat
Die Forschung wird von Ana Jaklenec und Professor Robert Langer geleitet, beide leitende Forscher am Koch Institute for Integrative Cancer Research des MIT, unterstützt von der Doktorandin Jinbi Tian und dem Postdoktoranden Khanh Tran. Den Algorithmus-Teil steuerte Mina Konaković Luković bei, Assistenzprofessorin am Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT.
Der Prozess verlief in mehreren Schritten. Zunächst maß das Team bei fast 50 von der FDA zugelassenen Inhaltsstoffen einzeln deren stabilisierende Wirkung auf RNA und wählte die fünf wirksamsten aus. Die Schwierigkeit lag im Mischverhältnis dieser fünf Stoffe: Der Kombinationsraum ist so groß, dass manuelles Durchtesten Monate gedauert hätte. Der Algorithmus sagte auf Basis weniger vorhandener Versuchsergebnisse jeweils das vielversprechendste nächste Mischverhältnis voraus, das Labor testete es und speiste die Ergebnisse zurück — so konvergierte das Verfahren Runde für Runde. Der gesamte Prozess dauerte nur wenige Wochen.
"The real beauty of this algorithm is that we can use it with small data sets."
Jaklenec sagte dazu, das eigentlich Schöne an diesem Algorithmus sei, dass er auch mit kleinen Datensätzen funktioniere.
Luković merkte zudem an, dass es für das Team überraschend war, wie schnell der Algorithmus zu einer stabilen Formulierung konvergierte.
Warum kleine Datenmengen entscheidend sind
Daten aus biologischen Experimenten sind teuer: Jede Testrunde einer Formulierung erfordert Synthese, Lagerung und Prüfung, was oft Tage dauert — der Umfang, den Deep Learning benötigt, lässt sich so kaum erreichen. Die meisten Meldungen über KI im Labor der letzten ein, zwei Jahre betrafen Bereiche mit großen öffentlichen Datenbanken im Hintergrund, etwa Proteinstrukturen oder Molekülgenerierung. Die Formulierungsentwicklung dagegen, wo jedes Labor nur wenige Daten hat, eignet sich eher für eine Kleinstichproben-Optimierung im Stil des "aktiven Lernens": Das Modell schlägt nur das nächste Experiment vor, die Beurteilung beruht weiterhin auf realen Messungen.
Dass die fünf ausgewählten Inhaltsstoffe alle auf der Liste der von der FDA zugelassenen Stoffe stehen, hat auch einen praktischen Grund. Bei völlig neuen chemischen Substanzen müsste die Sicherheitsprüfung von vorn beginnen; bei bereits zugelassenen Hilfsstoffen ist der Weg zur klinischen Prüfung dagegen kürzer.
Wie weit bis zur klinischen Prüfung
Die bisherigen Immunogenitätsdaten stammen von Mäusen; das Team gibt an, die Immunreaktion entspreche der ursprünglichen Moderna-Formulierung. Zur Wirkung beim Menschen, zur Stabilität zwischen einzelnen Chargen bei der Großproduktion und zur Frage, ob Aufsichtsbehörden eine Kennzeichnung für Lagerung bei Raumtemperatur akzeptieren würden, äußert sich die Mitteilung nicht — auch hat bislang kein Unternehmen angekündigt, die klinische Entwicklung zu übernehmen.
Diese Forschung hat einen konkreten Bezugspunkt in China: Dort bereits vermarktete oder in Entwicklung befindliche mRNA-Impfstoffe hängen ebenfalls von der Kühlkette ab, und die Verteilungskosten in westliche und abgelegene Regionen sind seit Langem ein Problem. Sollte sich eine bei Raumtemperatur stabile LNP-Formulierung in klinischen Studien am Menschen bewähren, wären vor allem Impfstofflogistik und die Impfung auf lokaler Ebene betroffen, nicht das Labor selbst. Die verwendete Methode ist nicht besonders komplex — Teams, die in China an Wirkstoff-Trägersystemen arbeiten, könnten mit demselben Ansatz mit vertretbarem Aufwand ihre eigenen Hilfsstoffe durchtesten.
Quellen: MIT News, CocoLoop, Angaben zur Studie in Nature Biotechnology; geprüft wurden Lagertemperatur und -dauer, Anzahl der Kandidatenstoffe, Nennung der Forschenden und die Förderquelle.