Forscher setzen künstliche Intelligenz ein, um einen Universalimpfstoff gegen Coronaviren zu entwickeln, der verschiedene Virusstämme gleichzeitig abdeckt. Durch die Analyse konservierter Proteinsequenzen identifiziert die KI Zielstrukturen, die gegen Mutationen resistent sind. Diese Ansätze stehen laut aktuellen Forschungsberichten derzeit in der präklinischen Prüfung oder in frühen klinischen Testphasen.
Identifikation konservierter Epitope durch maschinelles Lernen
Die Entwicklung eines Universalimpfstoffes konzentriert sich auf die Suche nach sogenannten konservierten Epitopen. Das sind Bereiche auf der Oberfläche des Virus, die in fast allen Varianten einer Virusfamilie identisch bleiben, da Mutationen an diesen Stellen oft die Überlebensfähigkeit des Virus gefährden. Traditionell war die Identifizierung dieser Stellen ein zeitintensiver Prozess aus Versuch und Irrtum.
Künstliche Intelligenz beschleunigt diesen Vorgang durch die Analyse riesiger Datensätze von Virusgenomen. Algorithmen des maschinellen Lernens vergleichen Tausende von Sequenzen verschiedener Sarbecoviren, zu denen auch SARS-CoV-2 gehört. Sarbecoviren sind eine Untergruppe der Betacoronaviren, zu denen auch das ursprüngliche SARS-CoV von 2003 zählt. Die KI erkennt Muster, die für das menschliche Auge oder einfache statistische Modelle unsichtbar bleiben. Ziel ist es, Antikörper zu erzeugen, die nicht nur eine spezifische Variante neutralisieren, sondern eine breite Palette von Coronaviren blockieren.
Dieser Ansatz unterscheidet sich grundlegend von den ersten COVID-19-Impfstoffen, die primär auf die Rezeptorbindungsdomäne (RBD) des Spike-Proteins abzielten. Da die RBD hochvariabel ist, verlieren diese Impfstoffe mit jeder neuen Mutation an Wirksamkeit. Die KI-gestützte Suche zielt stattdessen auf stabilere Regionen ab, wie beispielsweise die S2-Untereinheit des Spike-Proteins. Während die S1-Einheit (die die RBD enthält) die Bindung an die Wirtszelle steuert und stark mutiert, ist die S2-Einheit für die Fusion der Virusmembran mit der Zellmembran verantwortlich und über verschiedene Stämme hinweg deutlich konservierter.
Computergestütztes Protein-Design und mRNA-Integration
Nachdem die KI die Zielstrukturen identifiziert hat, kommt das computergestützte Protein-Design zum Einsatz. Tools wie AlphaFold, entwickelt von DeepMind, oder dessen Nachfolger erlauben es Wissenschaftlern, die dreidimensionale Struktur von Proteinen mit hoher Präzision vorherzusagen. Diese Technologie hat das sogenannte Protein-Faltungsproblem weitgehend gelöst, indem sie vorhersagt, wie eine Aminosäuresequenz im Raum gefaltet wird. Forscher nutzen diese Modelle, um künstliche Proteine zu entwerfen, die die konservierten Epitope in einer Form präsentieren, die das menschliche Immunsystem optimal erkennt.
Dabei werden oft sogenannte „Scaffolds“ (Gerüste) verwendet. Das sind stabilisierte Proteinstrukturen, in die das konservierte Epitop eingebettet wird, damit es nicht kollabiert oder durch andere Proteinteile verdeckt wird. Diese designten Antigene werden anschließend in mRNA-Plattformen integriert. Anstatt die genetische Information eines natürlichen Virusproteins zu kopieren, wird eine optimierte, KI-generierte Sequenz in den Körper geschleust. Die Zellen produzieren dann ein Protein, das präzise auf die Schwachstellen verschiedener Coronaviren zugeschnitten ist.
Die Coalition for Epidemic Preparedness Innovations (CEPI), eine globale Partnerschaft aus Regierungen und philanthropischen Organisationen wie der Bill & Melinda Gates Foundation, verfolgt in diesem Zusammenhang die sogenannte 100-Tage-Mission
. Das Ziel ist es, innerhalb von 100 Tagen nach dem Ausbruch eines neuen Erregers einen wirksamen Impfstoff bereitzustellen. Die KI-gestützte Vorarbeit an Universalimpfstoffen ist ein zentraler Baustein dieser Strategie, da ein bereits existierender, breit wirksamer Impfstoff die Reaktionszeit bei einer neuen Pandemie oder dem Auftreten von „Disease X“ – einem hypothetischen, noch unbekannten Erreger – massiv verkürzen würde.
Zeitplan und Hürden der klinischen Zulassung
Trotz der theoretischen Erfolge in der Computer simulation bleibt der Weg in die Apotheken lang. Ein KI-designtes Antigen muss in vivo, also im lebenden Organismus, die gewünschte Immunantwort auslösen, ohne Nebenwirkungen zu verursachen.
Die aktuellen Herausforderungen liegen in zwei Bereichen:
Erstens besteht das Risiko der sogenannten immunologischen Dominanz. Das Immunsystem neigt dazu, auf die leicht zugänglichen, aber variablen Teile eines Virus zu reagieren und die schwerer erreichbaren, konservierten Regionen zu ignorieren. Die KI muss daher Antigene so designen, dass die variablen Teile „maskiert“ oder entfernt werden, um die Aufmerksamkeit des Immunsystems auf die universellen Stellen zu lenken.
Zweitens müssen die klinischen Studien die Wirksamkeit gegen Viren beweisen, die noch gar nicht beim Menschen zirkulieren. Dies erfordert komplexe Testreihen mit Tiermodellen und synthetischen Virusvarianten, bevor großflächige Humanstudien beginnen können. Der Prozess folgt dabei einem strengen regulatorischen Pfad:
- Phase I: Prüfung der Sicherheit und Verträglichkeit an einer kleinen Gruppe von gesunden Freiwilligen.
- Phase II: Untersuchung der Immunogenität (wie stark die Immunantwort ist) und Optimierung der Dosierung an einer größeren Gruppe.
- Phase III: Nachweis der tatsächlichen Wirksamkeit in großen Populationen, um statistisch signifikante Daten zum Schutz vor Infektionen zu erhalten.
Während erste präklinische Daten eine breitere Neutralisation von Sarbecoviren zeigen, ist die finale Zulassung eines solchen Produkts von der erfolgreichen Durchführung der Phase-II- und Phase-III-Studien abhängig. Diese prüfen, ob der Schutz über einen längeren Zeitraum stabil bleibt und ob die KI-optimierten Sequenzen in verschiedenen Bevölkerungsgruppen gleichermaßen sicher sind.
Find more reporting in our Technik und Wissenschaft section.
