Forscher haben mithilfe künstlicher Intelligenz (KI) eine große Herausforderung in der Immunologie erfolgreich gemeistert und präzise Vorhersagen über die Mechanismen erzielt, mit denen T-Zellen Peptidantigene erkennen. Mithilfe des speziell für die Vorhersage von Proteinstrukturen entwickelten KI-Modells AlphaFold 3 entwickelte das Forschungsteam einen neuartigen Ansatz zur Modellierung der Wechselwirkungen zwischen T-Zell-Rezeptor-Peptid und Haupthistokompatibilitätskomplex und verbesserte so die Vorhersagegenauigkeit deutlich. Die Forschungsergebnisse wurden in Frontiers in Immunology veröffentlicht.

T-Zellen spielen im menschlichen Immunsystem eine doppelte Rolle: Sie können Tumore und infizierte Zellen eliminieren, aber auch körpereigenes Gewebe angreifen und Krankheiten verursachen. Im Mittelpunkt dieses funktionellen Gleichgewichts steht der TCR-pMHC-Erkennungsprozess, der direkt bestimmt, ob T-Zellen schützend oder autoimmun reagieren. Aktuelle Vorhersagemodelle in diesem Bereich sind in ihrer Genauigkeit und Anwendbarkeit begrenzt.

Dr. Chongming Jiang, der Leiter der Studie, sagte: „Inspiriert von den Fortschritten in der Strukturbiologie der KI wollten wir untersuchen, ob AlphaFold die Mechanismen vorhersagen kann, mit denen T-Zellen Epitope erkennen. Unsere Ergebnisse zeigten, dass dieses KI-Modell effektiv zwischen effektiven und ineffektiven Epitopen unterscheiden kann und so eine zuverlässige Hochdurchsatzvorhersage der T-Zell-Reaktionen ermöglicht.“

Das Forschungsteam bestätigte, dass die computergestützte Modellierung von AlphaFold immunogene Epitope identifizieren kann, die durch Computersimulationen als Impfstoffziele dienen können. Neben präventiven Anwendungen ermöglicht diese Technologie auch die Entwicklung von T-Zellen mit höherer Affinität und Spezifität, was die Sicherheit und Wirksamkeit von T-Zelltherapien gegen Krebs, Infektionskrankheiten und Autoimmunerkrankungen verbessern dürfte.

Dr. Xiling Shen, Chief Scientific Officer des Terasaki Institute, fügte hinzu: „Präzise Vorhersagemodelle für TCR-pMHC-Interaktionen haben das Potenzial, die Entwicklung von Immuntherapien und Impfstoffen zu revolutionieren. Dies stellt einen entscheidenden Schritt in Richtung präziser medizinischer Ansätze dar, die das Immunsystem zur Bekämpfung von Krankheiten nutzen.“

Die Forscher stellten fest, dass die Technologie zwar vor einer breiten klinischen Anwendung noch weiter verbessert und validiert werden muss, die aktuellen Ergebnisse jedoch das Potenzial der Deep-Learning-Strukturmodellierung als universeller Vorhersagepfad für TCR-pMHC-Interaktionen unterstreichen. Dieser Durchbruch unterstreicht das Potenzial künstlicher Intelligenzmethoden zur Beschleunigung der Arzneimittelforschung und der Entwicklung von Immuntherapien und legt den Grundstein für die Entwicklung sichererer und wirksamerer Behandlungsmöglichkeiten.

Weitere Informationen: Cheng-chi Chao et al., KI/ML-basierte Methoden zur Vorhersage der T-Zell-vermittelten Immunität und anderer Bereiche, Frontiers in Immunology (2025). Zeitschrifteninformationen: Frontiers in Immunology