Maschinelles Lernen zur Neunutzung von Medikamenten bei HER2-positivem Brustkrebs

Warum alte Medikamente für schwere Brustkrebserkrankungen wichtig sind

Für viele Menschen mit einer aggressiven Form von Brustkrebs, die als HER2-positiv bezeichnet wird, können heutige zielgerichtete Therapien mit der Zeit an Wirksamkeit verlieren, und neue Wirkstoffe zu entwickeln ist langsam und teuer. Diese Studie untersucht, ob einige der Tausenden von bereits im Apothekenschrank vorhandenen Wirkstoffe vielleicht heimlich in der Lage sind, HER2-getriebene Tumore zu blockieren, indem fortschrittliche Computerwerkzeuge nach verborgenem antitumoralem Potenzial suchen.

Das Problem in einfachen Worten verstehen

HER2-positiver Brustkrebs wird von einem Protein angetrieben, das an der Oberfläche der Krebszellen sitzt und fortwährend starke Wachstums- und Teilungssignale sendet. Wenn zu viel HER2 vorhanden ist, vermehren sich diese Zellen schnell und breiten sich oft aus, und sie können lernen, modernen HER2-Medikamenten auszuweichen. Da die Entwicklung völlig neuer Arzneimittel ein Jahrzehnt oder länger dauern kann, erscheint die Idee der Arzneimittelneunutzung attraktiv: Anstatt bei null zu beginnen, prüfen Wissenschaftler, ob bestehende zugelassene Medikamente, deren Sicherheit für andere Krankheiten bereits bekannt ist, auch HER2 in Krebszellen ausschalten könnten.

Wie Computer bei der Durchsicht Tausender Medikamente helfen

Die Forschenden sammelten zunächst detaillierte Informationen zu fast 14.000 chemischen Verbindungen, die gegen HER2 getestet worden waren, einschließlich wie stark jede einzelne das Protein blockierte. Sie wandelten jedes Molekül in Hunderte numerischer Merkmale um, die seine Größe, Form, Ladung und andere Eigenschaften beschreiben. Mit diesen Daten trainierten sie mehrere Typen maschineller Lernmodelle, um die Verbindung zwischen der Struktur eines Moleküls und seiner Fähigkeit, HER2 zu hemmen, zu erlernen. Nach sorgfältiger Bereinigung der Daten und dem Entfernen schwacher oder redundanter Merkmale lieferte ein Modelltyp namens Random Forest die zuverlässigsten Vorhersagen und erklärte etwa vier Fünftel der Aktivitätsvariation bei neuen Molekülen korrekt.

Von der Vorhersage zum Docking im Krebsziel

Mit diesem Modell wandte sich das Team einer realen Bibliothek von 4.099 zugelassenen Arzneistoffen zu und reduzierte sie auf mehr als 1.600 saubere, gut definierte kleine Moleküle. Das Computermodell schätzte, wie stark jedes Medikament HER2 möglicherweise blockieren könnte, und hob eine Teilmenge hervor, die als besonders potent prognostiziert wurde. Diese Spitzenkandidaten wurden dann in dreidimensionale Strukturen des normalen HER2-Proteins und einer problematischen Mutante, die in einigen resistenten Krebsarten vorkommt, „gedockt“. Docking-Simulationen funktionieren wie ein virtuelles Schlüssel-Schloss-Testverfahren und prüfen, wie eng ein Wirkstoff in der aktiven Tasche von HER2 sitzt und welche Arten von atomaren Kontakten er bilden kann.

Dem vielversprechendsten Kandidaten im Zeitverlauf folgen

Ein Herz- und Augenarzneimittel, Timololmaleat (in der Studie als FDA0870 bezeichnet), stach wiederholt hervor. Es gehörte sowohl im maschinellen Lernscreen als auch in den Docking-Tests für das normale und das mutierte HER2 zu den Bestplatzierten und bildete starke Wasserstoffbrücken und hydrophobe Kontakte mit Schlüsselbereichen, die die Aktivität des Proteins steuern. Um zu prüfen, ob diese Passung unter realistischeren Bedingungen hält, führten die Forschenden lange molekulardynamische Simulationen durch, die nachahmen, wie Moleküle in einer wässrigen, körperähnlichen Umgebung zittern und sich bewegen. Über Nanosekunden bis Mikrosekunden simulierter Zeit blieb Timolol in der Tasche von HER2 für beide Proteine stabil verankert. Zusätzliche Computertests zu Resorption, Verteilung, Metabolismus, Ausscheidung und Toxizität deuteten darauf hin, dass sein vorhandenes arzneimittelähnliches Profil, seine moderate Permeabilität und seine Sicherheit insgesamt für eine weitere Untersuchung grundsätzlich geeignet sind.

Was das für Patientinnen und Patienten bedeuten könnte

Einfach ausgedrückt zeigt diese Arbeit, dass intelligente Computer-Pipelines große Mengen bekannter Medikamente durchforsten können, um diejenigen zu finden, die am wahrscheinlichsten gegen schwierige Krebserkrankungen wirken — lange bevor Labor- oder Tierversuche beginnen. Unter den vielen untersuchten zugelassenen Medikamenten tauchte Timolol als starker Kandidat auf, der als Doppelblocker sowohl des Standard- als auch des mutierten HER2 bei Brustkrebs wiederverwendet werden könnte. Obwohl die Ergebnisse rein computergestützt sind und noch durch Experimente in Zellen und Tieren bestätigt werden müssen, weisen sie auf einen schnelleren und potenziell kostengünstigeren Weg hin, bekannte Medikamente für den Kampf gegen HER2-positiven Krebs neu zu nutzen.

Zitation: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Schlüsselwörter: HER2-positiver Brustkrebs, Neunutzung von Medikamenten, maschinelles Lernen, molekulares Docking, Timolol