Twin4Pharma
Neue Ansätze
gegen Tuberkulose
Success Story 2026
Zwei Antibiotika in einem inhalierbaren Kristall: Mit Machine Learning zu neuen Ansätzen in der Tuberkulosetherapie
Tuberkulose (TB) zählt nach wie vor zu den tödlichsten Infektionskrankheiten weltweit. Gleichzeitig ist die Behandlung für Patient:innen belastend: Über mehrere Monate müssen mehrere Antibiotika eingenommen werden. Dies bedeutet eine hohe Tablettenlast, mögliche Nebenwirkungen und kann die Therapietreue beeinträchtigen – mit dem Risiko, dass sich dadurch Antibiotikaresistenzen entwickeln.
Im Rahmen von Twin4Pharma hat das Research Center Pharmaceutical Engineering GmbH (RCPE) ein digitales Werkzeug entwickelt, das zu patientenfreundlicheren Therapieansätzen beitragen könnte. Statt Wirkstoffkombinationen ausschließlich in zeitaufwendigen experimentellen Screenings zu untersuchen, sagt das Tool voraus, welche Kombinationen von Wirkstoffmolekülen mit hoher Wahrscheinlichkeit Co-kristalle bilden.
Zwei Wirkstoffe in einem Partikel – direkt an den Wirkort
Die zentrale Idee besteht darin, zwei Antibiotika in einem einzigen pharmazeutischen Co-kristall zu kombinieren und diesen als Pulver direkt in die Lunge zu inhalieren – dem primären Ort der TB-Infektion. Ein Co-Kristall ist eine klar definierte Kristallstruktur aus zwei Wirkstoffen oder aus einem Wirkstoff und einem weiteren kompatiblen Molekül, einem sogenannten Co-Former.
Die Kombination zweier Wirkstoffe in einem Partikel könnte die Behandlung vereinfachen und die Zahl der einzunehmenden Tabletten reduzieren. Gleichzeitig können Co-Kristalle physikalisch-chemische Eigenschaften der Wirkstoffe, etwa Löslichkeit und Stabilität, verbessern, ohne die Wirksamkeit der Arzneistoffe zu verändern. Durch die inhalative Verabreichung können hohe Wirkstoffkonzentrationen direkt am Infektionsort erreicht werden – bei potenziell geringerer Gesamtdosis. Das könnte Nebenwirkungen reduzieren, die Therapietreue erhöhen und helfen, Antibiotikaresistenzen zu vermeiden.
Vom aufwendigen Screening zur gezielten Vorhersage
Eine zentrale Herausforderung bei der Entwicklung von Co-Kristallen ist die Auswahl geeigneter Wirkstoffpaare. Denn ob zwei Substanzen tatsächlich gemeinsam kristallisieren, lässt sich nicht einfach vorhersagen. Herkömmliche experimentelle Screenings sind zeit- und materialintensiv.
Genau hier setzt die Zusammenarbeit des Twin4Pharma-Konsortiums an. RCPE hat ein Machine-Learning-Modell entwickelt, das anhand verschiedener molekularer Eigenschaften vorhersagt, ob zwei pharmazeutische Wirkstoffe voraussichtlich Co-Kristalls bilden.
Trainiert wurde das Modell mit Cokristalldaten aus der wissenschaftlichen Literatur. Die dazugehörigen Molekülstrukturen im SMILES-Format wurden über ein eigens entwickeltes Extraktionstool aus der PubChem-Datenbank eingebunden.
Das Ergebnis ist ein digitales Werkzeug, das vielversprechende Kandidaten bereits vor dem Experiment identifizieren kann. Das Modell steht als Anwendung im gemeinsamen Twin4Pharma-Workspace allen Projektpartnern zur Verfügung.
Erste Ergebnisse
Anhand von Literaturdaten erreicht das Modell eine kreuzvalidierte Genauigkeit von mehr als 85%. Anschließend wurde es prospektiv an 23 Systemen getestet, die dem Modell bisher nicht bekannt waren: Es identifizierte 10 von 16 vorhergesagten Co-Kristallen sowie alle 7 vorhergesagten Nicht-Co-Kristalle korrekt – ein überzeugendes Ergebnis für eine erste Versuchsreihe.
Anschließen wurde das Modell zur Identifizierung vielversprechender Co-Kristall- Kandidaten für die TB-Behandlung eingesetzt. Aus einer Reihe von TB-Wirkstoffen wurde eine vorhergesagte Co-Kristall-Formulierung aus Isoniazid und Levofloxacin für die weitere Entwicklung ausgewählt. Die Formulierung wurde mittels Sprühtrocknung zu einem inhalierbaren Trockenpulver verarbeitet und hinsichtlich dessen aerodynamische Eigenschaften experimentell untersucht. Damit liegt ein erster Nachweis vor, dass sich die digitale Vorhersage in eine experimentell relevante inhalative Formulierung überführen lässt. Die Arbeit wurde in einem Vortrag vorgestellt und im Magazin Botenstoff präsentiert. Eine gemeinsame wissenschaftliche Publikation befindet sich derzeit in Vorbereitung.
Warum das wichtig ist
Der Ansatz verbindet zwei zentrale Ziele moderner pharmazeutischer Entwicklung: Experimente gezielter einzusetzen und neue Therapieoptionen schneller zu erschließen. Statt zahlreiche Wirkstoffkombinationen nach dem Trial-and-Error-Prinzip zu untersuchen, konzentriert das Machine-Learning-Modell die experimentelle Arbeit auf besonders vielversprechende Kandidaten. Das spart Zeit, Material und Ressourcen.
Für Patient:innen besteht das langfristiges Ziel in einer einfacheren inhalativen Tuberkulosetherapie – mit weniger Tabletten, potenziell geringeren Nebenwirkungen und weniger Gefahr der Entwicklung von Antibiotika-Resistenzen.
Das Projekt zeigt, wie Twin4Pharma digitale Methoden mit der experimentellen Formulierungsentwicklung verbindet. Literaturdaten, Machine Learning und experimentelle Validierung greifen so in einem durchgängigen Workflow ineinander.
Kontakt
Dr. Gert Breitfuss