Eine effizientere phänotypische Screening-Methode kann mehrere Medikamente gleichzeitig testen

Einige der heute am häufigsten verwendeten Medikamente, darunter Penicillin, wurden durch ein Verfahren namens phänotypisches Screening entdeckt. Mit dieser Methode werfen Wissenschaftler im Wesentlichen Medikamente auf ein Problem – zum Beispiel, wenn sie versuchen, das Bakterienwachstum zu stoppen oder einen Zelldefekt zu beheben – und beobachten dann, was als nächstes passiert, ohne unbedingt vorher zu wissen, wie das Medikament wirkt.

Vielleicht überraschend zeigen historische Daten, dass dieser Ansatz besser zu zugelassenen Arzneimitteln führt als Untersuchungen, die sich enger auf bestimmte molekulare Ziele konzentrieren.

Viele Wissenschaftler glauben jedoch, dass die richtige Lösung des Problems der wahre Schlüssel zum Erfolg ist. Bestimmte mikrobielle Infektionen oder genetische Störungen, die durch einzelne Mutationen verursacht werden, lassen sich viel einfacher prototypisieren als komplexe Krankheiten wie Krebs. Dafür sind komplizierte biologische Modelle erforderlich, die weitaus schwieriger herzustellen oder zu erwerben sind. Das Ergebnis ist ein Engpass bei der Anzahl der testbaren Medikamente und damit bei der Nützlichkeit des phänotypischen Screenings.

Jetzt hat ein Team von Wissenschaftlern unter der Leitung des Shalek Lab am MIT einen vielversprechenden neuen Weg entwickelt, um die Schwierigkeit zu bewältigen, das Phänotypisierungs-Screening in großem Maßstab anzuwenden. Ihre Methode ermöglicht es Forschern, mehrere Medikamente gleichzeitig auf ein biologisches Problem anzuwenden und dann rechnerisch rückwärts zu arbeiten, um die individuellen Wirkungen jedes einzelnen Medikaments herauszufinden.

Als das Team diese Methode beispielsweise auf Modelle von Bauchspeicheldrüsenkrebs und menschlichen Immunzellen anwendete, gelang es ihm, überraschende neue biologische Erkenntnisse zu gewinnen und gleichzeitig die Kosten und den Probenbedarf um ein Vielfaches zu minimieren – und so einige Probleme in der wissenschaftlichen Forschung auf einmal zu lösen .

Zev Gartner, Professor für pharmazeutische Chemie an der University of California in San Francisco, sagt, dass diese neue Methode großes Potenzial hat. „Ich denke, wenn es einen starken Phänotyp gibt, an dem man interessiert ist, wird das ein sehr wirkungsvoller Ansatz sein“, sagt Gartner.

Die Forschung war veröffentlicht 8. Okt Naturbiotechnologie. Es wurde von Ivy Liu, Walaa Kattan, Benjamin Mead, Conner Kummerlowe und Alex K. Shalek, dem Direktor des Institute for Medical Engineering and Sciences (IMES) und dem Health Innovation Hub am MIT, sowie dem JW Kieckhefer-Professor geleitet im IMES und im Fachbereich Chemie.

Eine „verrückte“ Art, den Maßstab zu vergrößern

Die technologischen Fortschritte des letzten Jahrzehnts haben unser Verständnis des Innenlebens einzelner Zellen revolutioniert und die Voraussetzungen für umfassendere phänotypische Untersuchungen geschaffen. Es bleiben jedoch noch viele Herausforderungen bestehen.

Zum einen sind biologisch repräsentative Modelle wie Organoide und Primärgewebe nur in begrenzten Mengen verfügbar. Die aussagekräftigsten Tests, wie die Einzelzell-RNA-Sequenzierung, sind zudem teuer, zeitaufwändig und arbeitsintensiv.

Deshalb beschloss das Team, die „mutige, vielleicht sogar verrückte Idee“ auszuprobieren, alles miteinander zu vermischen, sagt Liu, ein Doktorand. Student im MIT Computational and Systems Biology-Programm. Mit anderen Worten: Sie entschieden sich dafür, viele Störungen – Dinge wie Medikamente, chemische Moleküle oder von Zellen hergestellte biologische Verbindungen – in einer einzigen Mischung zu kombinieren und anschließend zu versuchen, ihre einzelnen Auswirkungen zu entschlüsseln.

Sie begannen, ihren Arbeitsablauf zu testen, indem sie verschiedene Kombinationen von 316 von der US-amerikanischen Food and Drug Administration zugelassenen Medikamenten herstellten.

„Die Messlatte ist hoch: im Grunde das Worst-Case-Szenario“, sagt Liu. „Da bekannt ist, dass jedes Medikament eine starke Wirkung hat, war es möglicherweise unmöglich, die Signale zu entwirren.“

Diese zufälligen Kombinationen reichten von drei bis 80 Medikamenten pro Pool, von denen jedes auf im Labor gezüchtete Zellen angewendet wurde. Anschließend versuchte das Team mithilfe eines linearen Rechenmodells, die Wirkung der einzelnen Medikamente zu verstehen.

Es war ein Erfolg. Im Vergleich zu herkömmlichen Tests für jedes einzelne Medikament lieferte die neue Methode vergleichbare Ergebnisse und konnte erfolgreich die stärksten Medikamente und ihre jeweiligen Wirkungen in jedem Pool finden, und das zu einem Bruchteil der Kosten, Proben und des Aufwands.

In die Tat umsetzen

Um die Anwendbarkeit der Methode zur Bewältigung realer gesundheitlicher Herausforderungen zu testen, näherte sich das Team anschließend zwei Problemen, die mit früheren phänotypischen Screening-Techniken bisher unvorstellbar waren.

Der erste Test konzentrierte sich auf das duktale Adenokarzinom des Pankreas (PDAC), eine der tödlichsten Krebsarten. Bei PDAC kommen viele Arten von Signalen von den umgebenden Zellen in der Umgebung des Tumors. Diese Signale können beeinflussen, wie der Tumor fortschreitet und auf Behandlungen reagiert. Deshalb wollte das Team die wichtigsten identifizieren.

Mit ihrer neuen Methode, verschiedene Signale parallel zu bündeln, fanden sie mehrere Überraschungskandidaten.

„Einige unserer Treffer hätten wir nie vorhersagen können“, sagt Shalek. Dazu gehörten zwei zuvor übersehene Zytokine, die in öffentlichen Krebsdatensätzen tatsächlich die Überlebensergebnisse von Patienten mit PDAC vorhersagen konnten.

Der zweite Test untersuchte die Auswirkungen von 90 Medikamenten auf die Anpassung der Funktion des Immunsystems. Diese Medikamente wurden auf frische menschliche Blutzellen angewendet, die eine komplexe Mischung verschiedener Arten von Immunzellen enthalten. Mit ihrer neuen Methode und der Einzelzell-RNA-Sequenzierung konnte das Team nicht nur eine große Medikamentenbibliothek testen, sondern auch die Wirkung der Medikamente für jeden Zelltyp aufschlüsseln. Dadurch konnte das Team verstehen, wie jedes Medikament in einem komplexeren Gewebe wirken könnte, und dann das beste für die Aufgabe auswählen.

„Wir könnten sagen, dass es einen Defekt in einer T-Zelle gibt, also werden wir dieses Medikament hinzufügen, aber wir denken nie darüber nach, was dieses Medikament mit all den anderen Zellen im Gewebe macht?“ sagt Shalek. „Wir haben jetzt eine Möglichkeit, diese Informationen zu sammeln, sodass wir mit der Auswahl von Medikamenten beginnen können, um die zielgerichtete Wirkung zu maximieren und Nebenwirkungen zu minimieren.“

Zusammengenommen zeigten diese Experimente Shalek auch, dass bessere Werkzeuge und Datensätze entwickelt werden müssen, um Hypothesen über mögliche Behandlungen aufzustellen.

„Die Komplexität und mangelnde Vorhersehbarkeit der Reaktionen, die wir gesehen haben, zeigt mir, dass wir in vielen Fällen wahrscheinlich nicht die richtigen oder wirksamsten Medikamente finden“, sagt Shalek.

Barrieren abbauen und Leben verbessern

Obwohl die aktuelle Komprimierungstechnik die Störungen mit den größten Auswirkungen identifizieren kann, ist sie immer noch nicht in der Lage, die Auswirkungen jeder einzelnen Störung perfekt aufzulösen. Daher empfiehlt das Team, es als Ergänzung zur Unterstützung zusätzlicher Screenings zu nutzen: „Traditionelle Tests, die die Top-Treffer untersuchen, sollten folgen“, sagt Liu.

Wichtig ist jedoch, dass das neue Komprimierungs-Framework die Anzahl der Eingabeproben, die Kosten und den Arbeitsaufwand für die Ausführung eines Bildschirms drastisch reduziert. Da es weniger Hindernisse gibt, stellt dies einen spannenden Fortschritt für das Verständnis komplexer Reaktionen in verschiedenen Zellen und die Entwicklung neuer Modelle für die Präzisionsmedizin dar.

Shalek sagt: „Das ist wirklich ein unglaublicher Ansatz, der uns die Möglichkeiten eröffnet, die richtigen Angriffspunkte oder die richtigen Medikamente zu finden, um das Leben der Patienten zu verbessern.“

Diese Geschichte wurde mit freundlicher Genehmigung von MIT News erneut veröffentlicht (web.mit.edu/newsoffice/), eine beliebte Website mit Neuigkeiten über MIT-Forschung, Innovation und Lehre.