Kurzfassung

Forschende der Empa haben ein KI-gestütztes physiologisch basiertes pharmakokinetisches Modell (PBPK-Modell) entwickelt, das die Verteilung von Nanomaterialien im Organismus simuliert. Das System nutzt maschinelles Lernen, um vorherzusagen, wie verschiedene Nanopartikel basierend auf ihren Eigenschaften (Grösse, Beschichtung, Oberflächenladung) im Körper verteilt werden. Das Modell wurde auf Basis von 18 Tierstudien trainiert und ermöglicht es, vielversprechende Nanopartikel-Kandidaten virtuell zu testen, bevor kostspielige und ethisch problematische Tierversuche durchgeführt werden.

Personen

Themen

  • Künstliche Intelligenz in der Medizin
  • Nanotechnologie und Nanomedizin
  • Tierversuchsreduktion
  • Safe and Sustainable by Design (SSbD)
  • Pharmakokinetische Modellierung
  • Blut-Hirn-Schranke und Hirntumorbehandlung

Clarus Lead

Das Schweizer Tierschutzgesetz verpflichtet Forschende, Tierversuche zu minimieren – ein regulatorischer Druck, der die Entwicklung von Alternativen zu Tiermodellen beschleunigt. Wus KI-Maus adressiert diesen Bedarf direkt: Sie ermöglicht es, die Sicherheit neuer Nanomaterialien bereits vor der Herstellung zu bewerten und damit den Entwicklungsprozess zu verkürzen. Dies entspricht dem wachsenden Trend, technologische Innovation mit ethischen und regulatorischen Anforderungen zu verbinden – ein Ansatz, der über die Medizin hinaus Signalwirkung für andere Industrien hat.

Detaillierte Zusammenfassung

Nanopartikel gelten als vielversprechende Transportmittel für Wirkstoffe, da ihre extreme Kleinheit (etwa 500-mal kleiner als ein Menschenhaar) es ihnen ermöglicht, körpereigene Schutzbarrieren wie die Blut-Hirn-Schranke zu passieren. Dies eröffnet neue Möglichkeiten für die Behandlung von Hirntumoren, bei denen konventionelle Chemotherapien an dieser Barriere scheitern. Allerdings variiert die Verteilung von Nanopartikeln je nach Form, Materialzusammensetzung und Grösse erheblich – ein Umstand, der bislang nur durch aufwändige, teure und ethisch fragwürdige Tierstudien untersucht werden konnte.

Jimeng Wu integrierte in ihr KI-Modell ein multivariates lineares Regressionsmodell, das es dem System ermöglicht, seine Parameter automatisch an die messbaren Eigenschaften neuer Nanopartikel anzupassen. Dies unterscheidet sich grundlegend von traditionellen PBPK-Modellen, die für jede einzelne Substanz neu kalibriert werden müssen. Das System berechnet daraufhin die Verteilung im simulierten Mäusekörper – aktuell für Leber, Nieren, Lunge und Milz. Der praktische Nutzen liegt darin, dass Forschende und Industriepartner virtuell testen können, welche Partikeltypen sich für eine bestimmte therapeutische Aufgabe eignen, bevor teure klinische Studien initiiert werden.

Allerdings weist Peter Wick auf eine kritische Limitierung hin: Der Trainingsdatensatz umfasst bislang nur 18 Peer-Review-Publikationen mit ausreichender Datenqualität. Viele Studien beschreiben die Eigenschaften ihrer Nanopartikel unzureichend, was die Zuverlässigkeit des Modells begrenzt. Wus zukünftige Arbeit zielt darauf ab, das Modell mit zusätzlichen Daten zu trainieren und es auf menschliche PBPK-Modelle zu übertragen – ein Schritt, der auch die Untersuchung sensibler Zielorgane wie das Gehirn ermöglichen würde.

Kernaussagen

  • KI-gestütztes PBPK-Modell ermöglicht virtuelles Screening von Nanopartikeln ohne Tierversuche
  • Maschinelles Lernen passt Modellparameter automatisch an Partikel-Eigenschaften an
  • Aktueller Trainingsdatensatz ist klein (18 Studien); Validierung und Erweiterung notwendig
  • Ziel: Verkürzung von Entwicklungszyklen für Nanomedikamente und Reduktion von Tierversuchen
  • Brückenstrategie zur Übertragung auf menschliche Modelle in Entwicklung

Kritische Fragen

  1. Datenqualität: Wie wird sichergestellt, dass die 18 Trainingsstudien repräsentativ für die Vielfalt von Nanopartikel-Eigenschaften sind, und welche Fehlerquoten sind bei Vorhersagen auf Basis dieses kleinen Datensatzes realistisch?

  2. Validierung: Wurden die Vorhersagen des KI-Modells bereits gegen neue experimentelle Tierstudien validiert, um die Zuverlässigkeit zu belegen?

  3. Übertragbarkeit: Welche biologischen Unterschiede zwischen Maus und Mensch könnten die Vorhersagekraft des Modells bei der geplanten Übertragung auf menschliche PBPK-Modelle beeinträchtigen?

  4. Interessenskonflikte: Welche Industriepartner sind an der Entwicklung beteiligt, und könnten kommerzielle Anreize die Interpretation von Modellergebnissen beeinflussen?

  5. Regulatorische Akzeptanz: Werden Zulassungsbehörden (EMA, FDA) Vorhersagen aus diesem Modell als Ersatz für präklinische Tierstudien akzeptieren, oder bleibt ein hybrider Ansatz notwendig?

  6. Skalierbarkeit: Wie aufwändig ist es, das Modell für neue Nanopartikel-Klassen oder andere Organismen zu erweitern?

Quellenverzeichnis

Primärquelle: Medienmitteilung Empa – KI-Mausmodell bringt medizinische Forschung voran (28.05.2026) https://www.empa.ch/web/s604/ki-mausmodell-bringt-medizinische-forschung-voran

Wissenschaftliche Publikation: Wu, J., Wick, P., Nowack, B. (2025): Data-Driven Prediction of Nanoparticle Biodistribution from Physicochemical Descriptors. ACS Nano, 19(29). https://doi.org/10.1021/acsnano.5c03040

Verifizierungsstatus: ✓ 28.05.2026

Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 28.05.2026