Identifizierung von Immuntherapie-Wirkstoffzielen mithilfe von Machine Learning und Validierung in patientenabgeleiteten Tumorexplantaten

Warum das für Krebspatienten wichtig ist

Die Immuntherapie hat die Krebsbehandlung revolutioniert, dennoch profitieren die meisten Patienten weiterhin nicht von diesen leistungsfähigen Medikamenten. Diese Studie stellt eine neue Methode vor, um große Mengen biologischer Daten zu durchforsten und neue Wirkstoffziele zu finden, die dem Immunsystem helfen könnten, Tumore effektiver anzugreifen. Durch die Kombination fortgeschrittener Machine-Learning-Verfahren mit Tests an echten Tumorproben von Patienten liefert die Arbeit eine Blaupause für die Entdeckung der nächsten Generation von Immuntherapie-Strategien.

Eine clevere Landkarte, um neue Schwachstellen im Krebs zu finden

Die Forscher bauten ein System namens MIDAS, das den menschlichen Körper als ein komplexes Netzwerk interagierender Gene und Zellen behandelt. Anstatt nur eine Datenart nach der anderen zu betrachten, verknüpft MIDAS viele Informationsschichten: Tumor-DNA-Veränderungen, Genaktivität, das Verhalten von Immunzellen in Tumoren, welche Proteinfragmente auf Zelloberflächen erscheinen und wie genetische Varianten Krankheiten beeinflussen. Diese unterschiedlichen Hinweise werden in eine einzige Gen‑zu‑Gen‑Interaktionskarte eingewoben, auf der ein Graph‑Neural‑Network Muster lernt, die bekannte Immuntherapie‑Ziele von anderen Genen unterscheiden.

Wie die Lernmaschine getestet wird

Um zu prüfen, ob MIDAS tatsächlich nützlich für die Wirkstoffforschung ist, entwarf das Team mehrere Stresstests. Zuerst fragten sie, ob Gene, die nach 2019 in Immuntherapie-Studien gelangten, von einem Modell, das nur mit bis dahin verfügbaren Daten trainiert wurde, hoch eingestuft wurden. MIDAS tat genau das und vergab höhere Werte an diese „zukünftigen“ Ziele als an zufällige Gene. Zweitens neigte das System dazu, bereits zugelassene Immuntherapieziele höher zu bewerten als solche, die sich noch in frühen klinischen Phasen befanden, obwohl es nicht mitgeteilt bekommen hatte, welche Gene es so weit geschafft hatten. Drittens fand MIDAS in neuen Patientendatensätzen, die nicht für das Training verwendet wurden, viele Gene wieder, deren Aktivitätsniveaus sich zwischen Ansprechern und Nichtansprechern auf Checkpoint-Inhibitoren unterscheiden — ein Hinweis darauf, dass es echte Merkmale der Tumor‑Immun‑Interaktion erfasst.

Was das Modell über das Immunsystem lernt

Bei einem Blick unter die Haube stellten die Autoren fest, dass MIDAS sich stark auf Wege konzentriert, die bereits als entscheidend für Immunantworten gegen Krebs bekannt sind, etwa Signale, die T‑Zellen zur Aktivierung oder zur Ruhe anweisen. Merkmale, die widerspiegeln, wie Gene andere Gene regulieren, zusammen mit Verknüpfungen zu Autoimmunerkrankungen, erwiesen sich als besonders informativ. Das ergibt biologisch Sinn: Gene, die bei Autoimmunerkrankungen das Immunsystem überaktivieren können, könnten, wenn sie gezielt und vorsichtig adressiert werden, helfen, Immunangriffe auf Tumore zu entfesseln. Das Netzwerk der Interaktionen zwischen Genen erwies sich ebenfalls als essenziell; wurden die Verbindungen im Netzwerk zufällig durcheinandergebracht, ging die Modellleistung deutlich zurück, was zeigt, dass die Struktur der biologischen Karte selbst ein Schlüsselbestandteil ist.

Von Computerprognosen zu echtem Tumorgewebe

Mithilfe seiner Prioritätenliste hob MIDAS ein Signalduo namens Oncostatin M (OSM) und seinen Rezeptor OSMR sowie das regulatorische Enzym PTPN22 hervor. Frühere Tierstudien deuteten an, dass OSM–OSMR tumorfreundliche Umgebungen fördern könnte, doch in menschlichem Tumorgewebe war das noch nicht gründlich untersucht. Das Team testete diese Ziele in patientenabgeleiteten Tumorexplantaten — kleinen Melanomstücken, die kurz außerhalb des Körpers kultiviert werden und die ursprüngliche Mischung aus Krebs- und Immunzellen bewahren. Die Blockade der OSM–OSMR‑Signalübertragung in diesen Explantaten führte zu weniger sogenannten dysfunktionalen CD8‑T‑Zellen, einem Zustand, der mit besseren Immuntherapie‑Antworten verknüpft ist, und zu niedrigeren Spiegeln des Moleküls CCL4, das mit tumorfördernden Makrophagen assoziiert wird. Im Gegensatz dazu erzeugte die Hemmung von PTPN22 subtilere Verschiebungen im T‑Zell‑Verhalten, die in dieser kleinen Serie keine klare statistische Signifikanz erreichten.

Was das für die zukünftige Krebsbehandlung bedeutet

Insgesamt zeigt die Studie, dass MIDAS komplexe Daten durchforsten kann, um Wirkstoffziele zu identifizieren, die in echten menschlichen Tumoren relevant sind und nicht nur in Zelllinien oder einfachen Labor‑Modellen. Die Arbeit stützt die Idee, dass OSM–OSMR‑Signalgebung dazu beiträgt, eine immununterdrückende Tumormikroumgebung zu formen, und dass die Blockade dieses Weges eine vielversprechende Immuntherapie‑Strategie sein könnte, die weiter in der Onkologie untersucht werden sollte. Breiter betrachtet demonstriert der Ansatz, wie die Kombination aus umfangreichen Patientendaten, netzwerkbasierter künstlicher Intelligenz und funktionellen Tests in patientenabgeleitetem Gewebe die Suche nach neuen Zielen für die Krebsimmuntherapie effizienter und stärker an der menschlichen Biologie orientiert machen kann.

Zitation: Augustine, M., Nene, N.R., Fu, H. et al. Immunotherapy drug target identification using machine learning and patient-derived tumour explant validation. Nat Mach Intell 8, 670–689 (2026). https://doi.org/10.1038/s42256-026-01201-3

Schlüsselwörter: Krebsimmuntherapie, Wirkstoffzielentdeckung, Graph-Neuronale Netze, Tumormikroumgebung, Machine Learning in der Onkologie