Ein maschinelles Lernmodell zur Pharmakokinetik-Vorhersage (EGFR-PROPK) für EGFR-zielgerichtete PROTACs

Klügere Wirkstoffentwicklung für schwer behandelbare Krebserkrankungen

Viele vielversprechende neue Krebsmedikamente scheitern nicht, weil sie ihr Ziel verfehlen, sondern weil der Körper sie zu schnell entfernt, an falschen Stellen speichert oder schlecht aufnimmt. Eine neue Wirkstoffklasse, die PROTACs, kann krankheitsverursachende Proteine zerstören, die früher als „nicht ansprechbar“ galten, doch ihr Verhalten im Körper ist besonders schwer vorherzusagen. Diese Studie stellt ein maschinelles Lernwerkzeug vor, EGFR-PROPK, das speziell entwickelt wurde, um vorherzusagen, wie eine Gruppe von PROTACs gegen ein zentrales Krebsprotein sich im Körper verteilt. Ziel ist es, Wissenschaftlern zu helfen, früher bessere Wirkstoffkandidaten auszuwählen und weniger Jahre und Ressourcen in Sackgassen zu investieren.

Neue proteinzerstörende Wirkstoffe und ihre Herausforderungen

PROTACs sind ungewöhnliche Wirkstoffe: Statt ein Protein nur zu blockieren, markieren sie es zur Zerstörung durch die zellulären Abbaumechanismen. Jeder PROTAC verbindet ein an das Krankheitsziel bindendes Teil mit einem weiteren, das einen zellulären „Zerleger“ anwirbt, verbunden durch eine flexible Kette. Dieses Design erlaubt es ihnen, Proteine anzugreifen, die normale Medikamente schwer erreichen, und häufig genügt eine vorübergehende Bindung statt einer dauerhaften Besetzung einer Bindungsstelle. Dieselbe Größe und Komplexität erschweren jedoch die Verabreichung und Kontrolle im Körper. PROTACs sind oft groß, relativ lipophil und stark an Plasmaproteine gebunden, was die Absorption, Verteilung, Biotransformation und Elimination kompliziert.

Warum übliche Regeln für Wirkstoffverhalten nicht ausreichen

Konventionelle Wirkstoffentwickler verwenden einfache Kennzahlen wie Molekulargewicht, Lipophilie (LogP) und Daumenregeln zur „Drug-Likeness“, um abzuschätzen, wie eine Verbindung sich im Körper verhalten könnte. Die Forscher fragten zunächst, ob diese vertrauten Größen das Verhalten von 100 PROTACs, die den epidermalen Wachstumsfaktor-Rezeptor (EGFR) anvisieren — einen wichtigen Treiber in vielen Krebserkrankungen —, in lebenden Mäusen erklären können. Sie konzentrierten sich auf drei Schlüsselfunktionen: Clearance (wie schnell der Körper das Mittel entfernt), Halbwertszeit (wie lange das Mittel im Kreislauf verbleibt) und scheinbares Verteilungsvolumen (wie weit es sich in Gewebe ausbreitet). Beim Vergleich dieser Eigenschaften mit einfachen Deskriptoren zeigten die Datenpunkte fast keine klaren Trends, was darauf hindeutet, dass einfache chemische Regeln nicht ausreichen, um das Verhalten von PROTACs vorherzusagen.

Training einer maßgeschneiderten Vorhersagemaschine

Um diese Lücke zu schließen, entwickelten die Autoren EGFR-PROPK, einen auf EGFR-zielgerichtete PROTACs zugeschnittenen maschinellen Lern-Prädiktor. Zunächst führten sie in Mäusen Studien mit 100 unterschiedlichen PROTACs durch und bestimmten deren Clearance, Halbwertszeit und Verteilungsvolumen nach Verabreichung. Anschließend beschrieben sie jedes Molekül mit mehreren ausführlichen „Fingerprints“, die seine detaillierte Struktur kodieren, und berechneten 200 zusätzliche chemische Merkmale. Diese numerischen Beschreibungen wurden in ein auf CatBoost basierendes Modell eingespeist, einen modernen Algorithmus, der besonders gut Muster in tabellarischen Daten erkennt. Anders als allgemeine Werkzeuge wurde EGFR-PROPK direkt mit in-vivo-Ergebnissen für PROTACs trainiert, sodass es subtile Zusammenhänge zwischen komplexen Linker-Formen, Gesamtgröße und der Verweildauer im Blut oder der Gewebeverteilung erlernen konnte.

Übertreffen allgemeiner Modelle und Aufdecken versteckter Nuancen

Die Forscher verglichen EGFR-PROPK mit weit verbreiteten Vorhersageplattformen, die vorwiegend für klassische niedermolekulare Wirkstoffe entwickelt wurden. Als diese generischen Modelle unverändert auf PROTACs angewendet wurden, waren ihre Vorhersagen schlecht: Geschätzte Werte für Halbwertszeit, Clearance und Gewebeverteilung wichen häufig stark von den gemessenen Werten ab. Selbst nachdem ein Konkurrenzmodell mit PROTAC-Daten nachtrainiert wurde, blieb es hinter EGFR-PROPK zurück. Im Gegensatz dazu erzielte EGFR-PROPK deutlich bessere Übereinstimmung zwischen vorhergesagten und experimentellen Werten, besonders für Halbwertszeit und Clearance, mit moderaten Verbesserungen bei der Verteilung. Das Modell bewältigte auch realistische Fallstudien: Zwei PROTACs mit sehr ähnlicher Struktur, aber sehr unterschiedlichem Verhalten, wurden von EGFR-PROPK genauer unterschieden als von allgemeinen Werkzeugen, was die Bedeutung PROTAC-spezifischer Trainingsdaten unterstreicht.

Kartierung der chemischen Landschaft und ihrer Grenzen

Über reine Leistungskennzahlen hinaus prüfte das Team, ob ihre 100 PROTACs ein breites Spektrum an Designs abdecken oder nur eine enge Ecke des chemischen Raums. Indem sie die Moleküle auf ihre Kerngerüste reduzierten und sie unter Tausenden patentierter PROTACs visualisierten, zeigten sie, dass ihre Sammlung viele unterschiedliche Strukturtypen umfasst, insbesondere bei den flexiblen Linkern. Das bedeutet, dass das Modell gut geeignet ist, EGFR-gerichtete PROTACs zu verfeinern, die gemeinsame Bausteine teilen, sich aber in der Verbindung ihrer Teile unterscheiden. Gleichzeitig betonen die Autoren, dass das Werkzeug ein Domänenspezialist ist: Seine Genauigkeit kann für PROTACs sinken, die um völlig andere Ziele oder Abbauwege aufgebaut sind, was auf die Notwendigkeit zukünftiger Erweiterungen und Transferlernverfahren über Datensätze hinweg hinweist.

Was das für künftige Medikamente bedeutet

Für Nicht-Expertinnen und Nicht-Experten lautet die wichtigste Lehre, dass die „Rohrleitungen“ eines Wirkstoffs im Körper — wie er aufgenommen wird, wohin er gelangt und wie lange er bleibt — entscheidend für den Erfolg einer vielversprechenden Krebstherapie sein können, und dass die üblichen Abkürzungen für kleine Tabletten bei neuartigen Degradatoren wie PROTACs nicht gut funktionieren. Mit EGFR-PROPK zeigen die Forscher, dass sorgfältig erhobene Tierdaten kombiniert mit modernen Mustererkennungsverfahren einen deutlich schärferen frühen Einblick in das Verhalten dieser komplexen Moleküle liefern können. Solche maßgeschneiderten Vorhersagen sollten Chemikerinnen und Chemikern helfen, PROTACs zu entwerfen, die nicht nur die richtigen Proteine zerstören, sondern sie auch in den richtigen Konzentrationen erreichen — und so den Weg für wirksamere und sicherere Therapien gegen resistente Krebsformen ebnen.

Zitation: Zhang, R., Li, F., Liu, Y. et al. A machine learning-based pharmacokinetics predictor (EGFR-PROPK) for EGFR-targeting PROTACs. Commun Chem 9, 134 (2026). https://doi.org/10.1038/s42004-026-01938-3

Schlüsselwörter: PROTAC-Pharmakokinetik, EGFR-zielgerichtete Degrader, Maschinelles Lernen in der Wirkstoffentwicklung, ADMET-Vorhersage, zielgerichteter Proteinabbau