Niedermolekulare Verbindungen (Small Molecules) bilden seit Jahrzehnten das Herzstück zahlreicher onkologischer Therapien. Ihre Wirkweise ist jedoch häufig komplexer als angenommen: Viele Substanzen binden nicht nur ein Zielprotein, sondern entfalten in verschiedenen Tumorarten unterschiedliche Effekte. Dies erschwert es, verlässliche Biomarker oder Indikationen festzulegen und kann den klinischen Erfolg limitieren.
Ein Forschungsteam aus dem Sanford Burnham Prebys Medical Discovery Institute und dem National Cancer Institute (USA) hat dieses Problem systematisch untersucht. Die Ergebnisse wurden in 'npj Precision Oncology' veröffentlicht.
Bisherige Einschränkungen bei der Zielstrukturvorhersage
Klassisch stützen sich Vorhersagen über Zielproteine meist auf chemische Strukturinformationen oder einzelne Bindungsexperimente. Doch diese Ansätze greifen zu kurz, wenn Arzneimittel mehrere potenzielle Zielproteine beeinflussen oder wenn Mutationen in Tumorzellen das Wirkprofil verändern.
Die zentrale Frage lautet daher: Wie lässt sich verlässlich bestimmen, welches Zielprotein die antitumorale Wirkung tatsächlich vermittelt – insbesondere in komplexen, heterogenen Tumorumgebungen?
DeepTarget: Datengestützte Vorhersagen aus genetischen und pharmakologischen Screens
Die KI-gestützte Plattform DeepTarget setzt genau hier an. Statt chemischer Strukturdaten kombiniert das Verfahren Informationen aus groß angelegten CRISPR-Knockout-Screens, Viabilitätsmessungen und Omics-Daten.
Die Grundlage bildeten Daten des DepMap-Konsortiums: 1.450 Wirkstoffe über 371 Tumorzelllinien. Damit entstand eines der umfassendsten funktionellen Datensätze zur Arzneimittelwirkung im Tumorkontext.
In sieben von acht Validierungsdatensätzen erzielte DeepTarget eine höhere Vorhersagegenauigkeit als etablierte Werkzeuge, darunter RoseTTAFold All-Atom und Chai-1. Besonders in klinisch abgeleiteten Datensätzen erwies sich die Methode als präziser, da diese realitätsnäher reflektieren, wie Medikamente in lebenden Zellen wirken.
Sinha fasst diesen Ansatz treffend zusammen: „Ein ganzheitlicherer Blick zeigt, dass niedermolekulare Verbindungen je nach Erkrankung und Zelltyp unterschiedliche Zielstrukturen und Effekte haben können.“
Fallanalyse 1: Modulation der oxidativen Phosphorylierung
In einer experimentellen Validierung bestätigte die Arbeitsgruppe anhand funktioneller Analysen, dass ein etabliertes Antiparasitikum seine Wirkung in Tumorzellen über eine Störung der mitochondrialen Funktion vermittelt. Im Zentrum stand die Beeinflussung der oxidativen Phosphorylierung – ein in der Studie explizit beschriebener Wirkmechanismus.
Fallanalyse 2: Mutiertes EGFR als entscheidendes Wirkziel in soliden Tumoren
Noch deutlicher zeigte sich der Nutzen der KI-gestützten Plattform in einer Untersuchung zu Ibrutinib: Obwohl der Wirkstoff ursprünglich für Blutkrebserkrankungen entwickelt wurde und dort über die Bruton-Tyrosinkinase (BTK) wirkt, war in frühen Analysen eine Wirksamkeit bei Lungentumoren aufgefallen, die BTK nicht exprimieren. DeepTarget sagte voraus, dass in diesen Tumoren mutiertes EGFR das relevante Wirkziel ist.
Experimentelle Vergleiche bestätigten:
- Zelllinien mit mutiertem epidermalem Wachstumsfaktor-Rezeptor (EGFR) reagierten deutlich stärker auf die Behandlung.
- Damit konnte die KI-Vorhersage präzise verifiziert werden.
Stärken im Vergleich zu strukturbiologischen Vorhersagen
Während strukturbiologische Modelle besonders dann Vorteile haben, wenn hochaufgelöste Proteinstrukturen verfügbar sind, liefert DeepTarget ein umfassenderes Bild:
- reale funktionelle Effekte in Tumorzellen,
- Abbildung komplexer Signalwege,
- Erkennung kontextabhängiger Mechanismen,
- Erfassung mutierter Zielproteine und paralleler Wirkpfade.
Die Autoren konnten zudem zeigen, dass Kinaseinhibitoren, die laut DeepTarget besonders klare Zielprofile besitzen, häufiger fortgeschrittene klinische Entwicklungsphasen erreichen.
Fazit: Ein vielseitiges Werkzeug für Forschung und Wirkstoffentwicklung
Die KI-gestützte Plattform DeepTarget zeigt, wie sich funktionelle Genomik und pharmakologische Datensätze kombinieren lassen, um Wirkmechanismen niedermolekularer Verbindungen in Tumorzellen präziser und kontextabhängiger zu erfassen.
Der Ansatz erweitert das Verständnis onkologischer Wirkweisen und bietet einen strukturierten Zugang zu neuen Repurposing-Möglichkeiten und potenziellen Zielstrukturen.
Zudem stellt die Arbeitsgruppe DeepTarget als Open-Source-Tool einschließlich vorhergesagter Zielprofile für rund 1.500 krebsrelevante Wirkstoffe und 33.000 Naturstoffextrakte bereit, was die praktische Anwendbarkeit für Forschung und frühe Wirkstoffentwicklung deutlich erleichtert.
