Kinic-Index: ein von künstlicher Intelligenz gesteuertes prädiktives Modell und ein Multitarget-Wirkstoffentdeckungsrahmen für Patienten mit hepatozellulärem Karzinom

Warum diese Forschung wichtig ist

Leberkrebs gehört weltweit zu den tödlichsten Krebsarten, zum Teil weil Tumoren von Patient zu Patient stark variieren und häufig gegen verfügbare Medikamente resistent sind. Diese Studie stellt einen neuen Ansatz vor, um Leberkrebspatienten in Risikogruppen zu unterteilen und gleichzeitig nach neuen, auf ihre Erkrankung zugeschnittenen Wirkstoffen zu suchen. Mithilfe fortgeschrittener künstlicher Intelligenz (KI) entwickelten die Forschenden ein Werkzeug namens Kinic‑Index, das feine chemische Markierungen an Proteinen mit dem Überleben von Patienten und mit vielversprechenden Wirkstoffzielen verknüpft.

Eine neue chemische Markierung mit großen Folgen

In den letzten Jahren entdeckten Forschende eine neue Art von chemischem Etikett auf Proteinen in Leberzellen, die als Isonicotinylierung bezeichnet wird. Diese winzigen Markierungen können beeinflussen, wie DNA verpackt ist und wie krebsrelevante Gene ein- oder ausgeschaltet werden. Das Team sammelte große Datensätze aus Hunderten von Lebertumoren und gesunden Lebern und suchte nach Genen, deren Aktivität mit dieser neuen Modifikation verbunden ist. Sie identifizierten Dutzende solcher Gene und zeigten, dass viele von ihnen in biologischen Signalwegen liegen, die steuern, wie Zellen mit Fetten, Arzneistoffen und anderen Chemikalien umgehen sowie wie Tumoren wachsen und sich ausbreiten.

Patienten in höhere und niedrigere Risiken einteilen

Um diese Erkenntnisse klinisch nutzbar zu machen, verwendeten die Wissenschaftler maschinelles Lernen, um Leberkrebspatienten nach der Aktivität isonicotinylierungs‑bezogener Gene zu gruppieren. Es bildeten sich zwei Hauptuntergruppen. Eine Untergruppe zeigte eine stärkere Aktivität bestimmter Gene und hatte deutlich schlechteres Gesamtüberleben. Diese Hochrisikogruppe wies außerdem Merkmale eines aggressiveren Tumorumfelds auf: schnellere Zellteilung, größere genetische Instabilität und eine Immunlandschaft, die darauf hindeutete, dass Tumoren die Abwehrkräfte des Körpers umgehen könnten. Die andere Untergruppe zeigte aktivere Entgiftungs‑ und Stoffwechselwege und hatte bessere Ergebnisse, was nahelegt, dass diese molekularen Muster Ärzten helfen könnten, den Krankheitsverlauf besser vorherzusagen.

Ein KI‑Score, der zwei Schlüsselgene hervorhebt

Auf Basis dieser Muster entwickelten die Forschenden den Kinic‑Index, einen KI‑gestützten Score, der mehrere Methoden des maschinellen Lernens kombiniert, um das Sterberisiko eines Patienten vorherzusagen. Sie testeten über hundert Modellkombinationen und wählten jene aus, die sowohl in einer großen Krebsdatenbank als auch in einer unabhängigen Patientenkohorte am besten abschnitt. Der Score erwies sich als starker und unabhängiger Prädiktor für das Überleben, selbst nach Berücksichtigung von Alter und Tumorstadium. Wichtig ist, dass eine Technik namens SHAP, die erklärt, wie KI‑Modelle Entscheidungen treffen, auf zwei Gene — CYP2C9 und G6PD — als die einflussreichsten hinwies. Einzelzellen‑ und räumliche Analysen zeigten, dass beide Gene hauptsächlich in malignen Leberzellen mit hoher Ausbreitungsfähigkeit aktiv sind und dass ihre Aktivität eng mit der Interaktion der Tumoren mit benachbarten Immun‑ und Stützzellen verknüpft ist.

Von Risikoscores zu Wirkstoffkandidaten

Die Studie blieb nicht bei der Prognose stehen. Das Team setzte einen Deep‑Learning‑Rahmen namens GraphBAN ein, um mehr als 200.000 chemische Verbindungen daraufhin zu durchsuchen, wie gut sie an CYP2C9 und G6PD binden könnten. Anschließend nutzten sie ein KI‑Tool, das vorhersagt, wie gut eine Verbindung im Körper aufgenommen, verstoffwechselt und toleriert wird, und reduzierten die Liste auf nur wenige wirkstoffähnliche Moleküle. Computerdocking‑Simulationen deuteten darauf hin, dass zwei Kandidaten, jeweils auf eines der Schlüsselproteine ausgerichtet, gut in hochgünstige Taschen ihrer Ziele passen und stabile Komplexe über die Zeit bilden. Diese Ergebnisse liefern konkrete Ausgangspunkte für neue Wirkstoffe, die darauf abzielen, die vom Kinic‑Index hervorgehobenen metabolischen Schwachstellen von Lebertumoren zu stören.

Was das für die künftige Versorgung bedeutet

Kurz gesagt zeigt diese Arbeit, wie KI drei zentrale Schritte in der modernen Krebsversorgung verbinden kann: zu verstehen, wie eine neue Proteinmarkierung das Tumorverhalten prägt; dieses Wissen in einen Risikoscore zu verwandeln, der besonders gefährdete Patienten von stabileren unterscheidet; und schnell neue Wirkstoffkandidaten zu identifizieren, die die passenden molekularen Ziele treffen. Wenn die Ergebnisse in weiteren Studien und klinischen Prüfungen bestätigt werden, könnte der Kinic‑Index Ärzten helfen, Leberkrebspatienten zu identifizieren, die intensivere Behandlung benötigen, Therapien entsprechend der Tumorbiologie auszuwählen und die Entwicklung von Multitarget‑Medikamenten zu leiten, die Resistenzen vorwegnehmen und kontern.

Zitation: Zhou, J., Jiang, Y., Yu, M. et al. Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients. npj Precis. Onc. 10, 132 (2026). https://doi.org/10.1038/s41698-026-01324-1

Schlüsselwörter: hepatozelluläres Karzinom, präzisionsonkologie, künstliche Intelligenz, epigenetische Modifikation, Wirkstoffentdeckung