Forscher von Penn Medicine entwickelten ein Framework für künstliche Intelligenz, das große Sprachmodelle mit menschlichem Fachwissen integriert, um neue Ziele für die CAR-T-Zelltherapie zu entdecken, heißt es in einem am Mittwoch in der Zeitschrift Cell veröffentlichten Bericht. Die Studie wurde von Daniel Baker geleitet, der im Dezember 2025 seine Doktorarbeit an der Penn University unter der Leitung des CAR-T-Zelltherapie-Pioniers Carl June und Zoltan Arany, Lehrstuhlinhaber für Physiologie an der Penn University, abschloss.
Das als „Human-in-the-Loop“-Modell beschriebene KI-System zielt darauf ab, die Herausforderung bei der Identifizierung von Antigenen für CAR-T-Zellen zu verringern. „Ein gutes CAR-Ziel zu entdecken ist wie der Versuch, die Nadel im Heuhaufen zu finden, nur dass der Heuhaufen immer größer wird, je mehr Sequenzierungsdaten verfügbar werden“, sagte Baker. Er wies darauf hin, dass KI für diese Aufgabe gut geeignet sei, da große Sprachmodelle große Datenmengen effektiv analysieren können, während menschliche Experten tiefgreifende Erkenntnisse liefern könnten.
Das Framework kombiniert Einzelzell-RNA-Sequenzierungsdatensätze mit LLM-basierten Simulationen, um potenzielle CAR-T-Ziele zu nominieren und zu priorisieren und so eine Auswahlliste für die Expertenvalidierung zu erstellen. Das Design ist krankheitsunabhängig und mit zukünftigen KI-Modellen kompatibel.
Als Machbarkeitsnachweis konzentrierte sich das Team auf Hautkrebs und identifizierte das Glykoprotein Non-Metastatic Melanoma Protein B (GPNMB) als Spitzenkandidaten. Für die Bekämpfung von GPNMB entwickelte CAR-T-Zellen zeigten in Mausmodellen für Melanome, Leukämie und Darmkrebs eine signifikante tumortötende Aktivität. In einem entsprechenden Kommentar in Cell wurde hervorgehoben, dass die Behandlung mit GPNMB CAR T in Xenotransplantatmodellen zu einer Remission ohne Rückfall führte.
Während die CAR-T-Zelltherapie die Behandlung von Blutkrebs erheblich verbessert hat, zielen aktuelle von der FDA zugelassene Therapien überwiegend auf Antigene dieser bösartigen Erkrankungen ab. Die Forscher behaupten, ihr Framework könne den Zielerkennungsprozess von Monaten auf Wochen verkürzen und seine Anwendung auf eine Vielzahl von Krankheitstypen erleichtern, ohne dass eine Neugestaltung der zugrunde liegenden Architektur erforderlich sei.
