DynamicKit

Tuberkulose (TB) ist die tödlichste Infektionskrankheit des Menschen und fordert jedes Jahr weltweit rund 1,5 Millionen Menschenleben. Um diese Lungenkrankheit erfolgreich zu behandeln, muss eine Mischung verschiedener Medikamente über mehrere Monate hinweg verabreicht werden. Dies ist jedoch problematisch, da die bakteriellen Erreger schnell resistent werden und selbst in behandelbaren Bakterienpopulationen hochresistente Subpopulationen nachgewiesen werden können. Um die Ausbreitung der Krankheit zu verhindern, ist es daher nicht nur notwendig, neue Antibiotika zu entwickeln, sondern auch immer wieder neue Wirkstoffkombinationen zu finden. Solche Kombinationen können bisher nur empirisch in aufwändigen klinischen Studien identifiziert werden. Neue digitale Werkzeuge in Kombination mit neuartigen Analysewerkzeugen, wie z.B. selbstlernende Algorithmen der künstlichen Intelligenz, haben das Potenzial, das Zusammenspiel verschiedener Antibiotika auf den mykobakteriellen Stoffwechsel schneller und kostengünstiger zu entschlüsseln, so dass geeignete Medikamentencocktails zur Überwindung der TB-Arzneimittelresistenz und zur Verbesserung der derzeitigen Behandlungsschemata identifiziert werden können.

Die Resistenz gegen Arzneimittel ist eine dramatische Herausforderung für die tödlichste Infektionskrankheit der Welt, die Tuberkulose (TB). In unserem Projekt verwenden wir selbstlernende Algorithmen, um die Interaktion verschiedener Medikamente in ihrer Wirkung auf den Stoffwechsel von Mykobakterien, den Erregern der Tuberkulose, zu verstehen. Auf diese Weise können wir nicht nur neue geeignete Arzneimittelkombinationen für die Tuberkulosebehandlung vorhersagen, sondern auch biologische Moleküle bestimmen, die Resistenzmechanismen widerspiegeln, so dass wir herausfinden können, wie wir dies mit Medikamenten gezielt rückgängig machen können. Dieser kombinierte Ansatz ergibt ein dringend benötigtes präklinisches Labormodell, mit dem wir die weitere Ausbreitung der Krankheit stoppen können.

Unser Hauptziel war die Entwicklung neuer Therapieansätze gegen normale und resistente Tuberkulose, welches auf neuen experimentellen Methoden und künstlicher Intelligenz basiert.

Auf diese Weise wollten wir herausfinden, welche Wirkstoffe ideal zusammenpassen, um das Potential von Kombinationstherapien bei Tuberkulose auszuschöpfen. Dies könnte weniger toxische und kürzere Behandlungsschemata bieten. Darüber hinaus wollten wir neue Arzneimittelkombinationen identifizieren, die Arzneimittel-Resistente TB wirksam bekämpfen können.

DynamicKit ermöglicht erstmals die schonende Isolation und zeitaufgelöste Analyse intakter Proteine von Tuberkulose-Erregern und schafft damit eine neue Plattform zur Untersuchung ihrer molekularen Reaktionen unter Antibiotikastress. Durch die Kombination innovativer Extraktionsmethoden, hochauflösender Massenspektrometrie (MALDI-TOF und HPLC-MS), automatisierter KI-gestützter Datenanalyse und einer offenen, leistungsstarken Software-Pipeline konnten charakteristische Proteinsignaturen identifiziert werden, die den Weg zu personalisierten Therapien gegen resistente Tuberkulose ebnen. Das Projekt stärkt den Forschungs- und Pharmastandort Bayern, bindet junge Talente ein und liefert Erkenntnisse, die bereits in klinische Studien einfließen, ein entscheidender Schritt hin zu wirksameren Behandlungsstrategien weltweit.