KI erkennt bei Krebs die besten Immunzellen

Den richtigen TILs auf der Spur

Bei der zellulären Immuntherapie werden Immunzellen aus dem Tumor entnommen und verändert, um ihre natürlichen Fähigkeiten bei der Bekämpfung einer Krebserkrankung zu verbessern und sie dem Körper anschließend wieder zuzuführen. T-Zellen, die in solide Tumoren eindringen, sind als tumorinfiltrierende Lymphozyten (TILs) bekannt. Nicht alle diese Zellen sind jedoch beim Erkennen und Angreifen von Tumorzellen effektiv. Laut dem leitenden Wissenschaftler Alexandre Harari, Ludwig Institute for Cancer Research, ist nur ein Bruchteil in diesem Bereich wirklich aktiv. „Wir wollten daher die wenigen TILs identifizieren, die mit T-Zell-Rezeptoren ausgestattet sind, die die Abwehrstoffe auf dem Tumor erkennen können.“

In der Folge haben die Wissenschaftler mit „TRTpred“ ein entsprechendes Vorhersagemodell entwickelt. TRTpred kann von einer Population von T-Zellen lernen und eine Regel erstellen, die dann auch auf eine neue Population angewendet werden kann. Damit wird auch die Vorhersage möglich, ob ein Tumor reaktiv ist oder nicht.

Tests bei Mäusen erfolgreich

Das Vorhersagemodell hat in Tests TILs von 42 Patient:innen mit Melanomen sowie Krebserkrankungen von Magen, Darm und Lunge und Brustkrebs analysiert. Tumor-reaktive T-Zell-Rezeptoren konnten mit einer Genauigkeit von 90% nachgewiesen werden. In der Folge wurden mehrere spezifische Filter zur Verbesserung der Genauigkeit getestet.

Diese Kombination erhielt in der Folge die Bezeichnung „MixTRTpred“. Um den Ansatz zu testen, kultivierten die Forscher menschliche Tumoren in Mäusen und wiesen erfolgreich nach, dass diese Zellen Tumoren abtöten können, wenn sie den Tieren wieder implantiert werden. Basierend auf diesen Forschungsergebnissen wird bereits eine klinische Phase-I-Studien mit Patient:innen geplant.
  Quelle:

pressetext

Literatur:(1) Pétremand R, Chiffelle J, Bobisse S et al. Identification of clinically relevant T cell receptors for personalized T cell therapy using combinatorial algorithms. Nat Biotechnol 2024; doi: 10.1038/s41587-024-02232-0.