Künstliche Intelligenz/Maschinenlernen bei der Analyse von biotherapeutischen Arzneimitteln

Durch therapeutische proteinbasierte Arzneimittel (z. B. monoklonale Antikörper) wurden neue Behandlungsmöglichkeiten im Bereich verschiedener onkologischer Krankheiten, Autoimmunerkrankungen, Infektionskrankheiten und genetischen Störungen möglich. Aufgrund ihrer Komplexität stellt die Charakterisierung dieser Produkte aber eine große Herausforderung dar. Eine dieser Herausforderungen sind die nicht sichtbaren Partikel, die aus Proteinaggregaten bestehen, die beispielsweise unter Stressbedingungen, durch das Vorhandensein von auslaufenden Inhaltsstoffen oder Silikonöl in vorgefüllten Spritzen entstehen können. Obwohl sie nur einen kleinen Teil der Proteinkonzentration ausmachen, können diese Partikel das Risiko unerwünschter Immunreaktionen bei Patienten erhöhen.

Unter den bisher erforschten bildgebenden Verfahren zur Charakterisierung dieser Partikel hat sich die Flow-Imaging-Mikroskopie (FIM) als besonders vielversprechend erwiesen. Mit FIM können von einer einzigen Probe große Mengen komplexer Bilder von einzelnen, nicht sichtbaren Partikeln aufgenommen werden. Obwohl diese Bildsätze reich an Strukturinformationen sind, ist die manuelle Auswertung der Ergebnisse sehr zeitaufwendig. Die aktuellen üblichen Methoden zur Analyse von FIM-Bildern verwenden nur bestimmte definierte Merkmale wie das Seitenverhältnis, die Kompaktheit oder die Pixelintensität, so dass die meisten der komplexen morphologischen Informationen, die in einem FIM-Bild kodiert sind, nicht genutzt werden.

Neue Möglichkeiten durch AI

Um die Hindernisse der derzeitigen optischen Bildanalyseverfahren für therapeutische Proteine zu überwinden, besteht eine mögliche Lösung in der Anwendung künstlicher Intelligenz/Maschinenlernen (AI/ML), insbesondere in der Anwendung von Convolutional Neural Network (zu Deutsch "faltendes neuronales Netzwerk" mit der Abkürzung CNNs oder ConvNets). CNNs sind eine Klasse von künstlichen neuronalen Netzen, die bereits in vielen Bereichen der Bildanalyse angewendet werden. Die CNNs ermöglichen die automatische Extraktion von datengesteuerten Merkmalen (d. h. messbare Merkmale oder Eigenschaften), die in Bildern kodiert sind. Diese komplexen Merkmale (z. B. fingerprints, die für bestimmte Proteine spezifisch sind), die von CNNs extrahiert werden, können potenziell zur Überwachung der morphologischen Merkmale von Partikeln in Biotherapeutika verwendet werden und ermöglichen die Nachverfolgung der Konzentration von Partikeln in einem Arzneimittelprodukt.

Diese Netzwerke können mit großen Mengen von Daten mit Hilfe von überwachtem Lernen oder mit einem Fingerprinting-Ansatz trainiert werden, die beide wichtige Anwendungen bei der Analyse komplexer visueller Daten wie FIM-Bilder haben. Die dabei genannten überwachten Lerntechniken ermöglichen es CNNs, Merkmalinformationen aus Rohbildern zu extrahieren und diese Merkmale mit Versuchsbedingungen zu korrelieren, die verschiedene Partikelbilder mit unterschiedlichen Morphologien erzeugen. Das überwachte Lernen stützt sich auf vordefinierte Assoziationen mit einzelnen Bildern für das Training des Netzwerks. Nach dem Training kann das CNN vorhersagen, welche der vordefinierten Bezeichnungen am besten auf ein neues Bild zutrifft, das noch nicht im Training verwendet wurde. Dieser Ansatz ist bei der Ursachenanalyse nützlich, wenn die Bedingungen, die zur Proteinaggregation führen, im Vorhinein bekannt sind.

Die Anwendung von künstlicher Intelligenz/Maschinenlernen (AI/ML) in Form von CNNs hat die Verarbeitung großer Bildsammlungen mit hoher Effizienz und Genauigkeit ermöglicht, indem komplexe "Texturmerkmale" unterschieden wurden, die mit bestehender Bildverarbeitungssoftware nicht ohne Weiteres zu erkennen sind. Die in diesem Artikel beschriebene Methodik ist auf eine Reihe von Produkten in der pharmazeutischen und biopharmazeutischen Industrie anwendbar, um Veränderungen der Produkteigenschaften (z. B. Partikel/Aggregate) während der Herstellung zu überwachen. Die AI bietet damit potenzielle neue Strategien zur Überwachung und Analyse von Produktqualitätseigenschaften.

Wenn Sie mehr über die im Artikel beschrieben Software erfahren wollen und auch mehr zu diesem Thema, lessen Sie den FDA Hauptartikel "Artificial Intelligence/Machine Learning Assisted Image Analysis for Characterizing Biotherapeutics".