SIMCO: Stanford School of Medicine Stellt Ein Zelluläres Digital-Zwillings-System Auf Basis Von 9 Medikamenten Und 218 Millionen Weißen Blutkörperchen Vor, Das Die Entwicklung Von Medikamenten Zur Frühgeburtenprävention Unterstützt

Frühgeburt (d. h. eine Schwangerschaftsdauer von < 37 Wochen) ist kein unbekanntes Konzept, doch viele werdende Eltern erkennen die hohen Risiken und Schäden einer Frühgeburt erst dann wirklich, wenn ihr Baby vorzeitig zur Welt kommt. Frühgeburten treten oft plötzlich auf, sogar ohne Vorwarnung oder bekannte Risikofaktoren. Eine Frühgeburt ist zudem nicht einfach nur eine „etwas frühere Geburt“: Je geringer die Gestationswoche, desto unreifer sind Organe wie das Atmungs- und Nervensystem des Babys, und desto mehr gesundheitliche Hürden muss es überwinden.

Statistiken zufolge kommt es bei einer von zehn Schwangerschaften weltweit zu einer Frühgeburt; noch besorgniserregender ist, dass Frühgeburt bis heute die führende Todesursache bei Kindern unter fünf Jahren weltweit ist.

Zum Glück ist eine Frühgeburt jedoch weder unvorhersehbar noch unbeeinflussbar. Aktuelle Studien zeigen, dass mehr als 60 % aller Frühgeburten spontane vorzeitige Wehentätigkeiten (spontaneous preterm labor, sPTL) sind, deren Auftreten eng mit einem Ungleichgewicht der immunologischen Regulation bei der Mutter während der Schwangerschaft zusammenhängt. Daher sind eine gezielte immunologische Steuerung und die Intervention zum Zeitpunkt der Weheinleitung entscheidend. Derzeit sind klinische Validierungsstudien während der Schwangerschaft jedoch durch ethische und wirtschaftliche Einschränkungen begrenzt, was die großangelegte Überprüfung von Präventionsstrategien äußerst schwierig macht.

Um diese Herausforderung zu bewältigen, hat ein von Stanford Medicine geleitetes Team ein KI-gesteuertes Digital-Twin-System auf Einzelzellebene namens Simulated Immunome Modeling of Clinical Outcomes (SIMCO) entwickelt. Dieses System kann das mütterliche Immunsystem simulieren, um Medikamente zur Verhinderung von Frühgeburten zu testen – das heißt, ohne dass Schwangere direkt am Medikament getestet werden, sondern indem verschiedene Medikamentenkombinationen virtuell an digitalen Zwillingen getestet werden, um so die Validierung von Strategien zur Prävention von sPTL im großen Maßstab zu ermöglichen. Darüber hinaus könnte diese Methode in zukünftigen klinischen Studien eine individuelle Therapieplanung für spezifische Fälle ermöglichen.

Die Forschungsergebnisse wurden unter dem Titel „Single-cell–level digital twins for preterm birth prevention strategies“ in Science Advances veröffentlicht.

Forschungshighlights:

• Aufbau des immunologischen Digital-Twin-Systems SIMCO mit Einzelzellauflösung zur Überwindung der Dilemmata klinischer Studien in der Schwangerschaft

• Identifizierung von Kandidatenmedikamenten und Kombinationsbehandlungen mit Potenzial zur Frühgeburtsverhinderung sowie Aufdeckung der zellulären und molekularen Mechanismen

• Einführung von Optimal-Transport-Lernmodellen in die geburtshilfliche Immunologie, was einen neuen rechnerischen Ansatz für eine zukünftige präzise, individualisierte Frühgeburtsprävention bietet

Link zur Publikation:

https://www.science.org/doi/10.1126/sciadv.aed2741

Aufbau eines großangelegten, umfassenden Datensatzes zur Einzelzell-Drug-Perturbation in vitro

Trainingsdatensatz: Masszytometrischer Atlas der Einzelzell-Perturbation (mass cytometry single-cell perturbation atlas)

Herkömmliche Methoden leiden darunter, dass aufgrund fehlender Einzelzellauflösung bestehende Modelle zellspezifische Mechanismen und Off-Target-Effekte nur schwer erkennen können, was auch die Entwicklung personalisierter Interventionsstrategien behindert. Zur Lösung dieses Problems generierten die Forscher speziell einen masszytometrischen Atlas der Einzelzell-Perturbation für das Training des SIMCO-Modells.

Konkret (wie in den folgenden Abbildungen/Tabellen dargestellt) rekrutierte die Studie 8 nicht-schwangere Freiwillige (innerhalb der ersten Woche des Menstruationszyklus) und 11 Freiwillige im zweiten Schwangerschaftstrimester (Gestationswoche 20+0 bis 27+7), um ein Multi-Drug-Screening durchzuführen. Dabei wurde die immunmodulatorische Wirkung von 9 Kandidatenmedikamenten (Chlorthalidon, Maprotilin, Metformin, Lansoprazol, Pravastatin, Rifabutin, Salicylsäure (SA), SA+Lansoprazol (SALPZ), 5-Methyltetrahydrofolat (THF)) auf die Prävention von sPTL bewertet.

Es sei angemerkt, dass die Tests am Stanford Hospital in Stanford, Kalifornien, USA, durchgeführt wurden und eine IRB-Zulassung erhielten (Protokollnummer 68417). Alle Freiwilligen waren Frauen im Alter von 18 bis 45 Jahren mit einem BMI < 40 und ohne laufende immunmodulatorische Behandlung. Der zweite Schwangerschaftstrimester wurde als Zeitpunkt der Probenentnahme gewählt, da sich die Schwangerschaft zu diesem Zeitpunkt noch in der Aufrechterhaltungsphase befindet, bevor entzündliche Signalwege vor der Geburt allmählich aktiviert werden. Dies erleichtert die Erfassung potenzieller Auswirkungen der Kandidatenmedikamente auf das Immunsystem der Schwangeren. Proben der nicht-schwangeren Kontrollgruppe wurden zu Beginn des Menstruationszyklus entnommen, also in der frühen Follikelphase, um einen Zustand niedriger Hormonspiegel widerzuspiegeln.

Für jeden Kandidaten wählte die Studie die im Blut nach oraler Einnahme dominierende Verbindung, bei einigen Medikamenten deren entsprechende aktive Metaboliten (wie THF und SA). Die experimentellen Konzentrationen wurden basierend auf den in vivo Plasmaspiegeln festgelegt, die den Standard-oralen Dosierungen entsprechen. Wie in der folgenden Tabelle dargestellt:

Für das Screening-Experiment wurden 96 Testbedingungen festgelegt, wobei jede Bedingung nur 100 μl Vollblutprobe erforderte. Die experimentelle Behandlung erfolgte innerhalb von 30–60 Minuten nach der in vivo Blutentnahme. Unter jeder Bedingung wurden parallele pharmakologische Störungen durchgeführt, wobei acht Behandlungen (einschließlich LPS, IFN-α, IL-33, GM-CSF, TNFα, einer Mischung aus IL-2/4/6, PI sowie einer unstimulierten Kontrolle) für 2 Stunden gemeinsam inkubiert wurden, um zelltyp- und stimulusspezifische Immunantworten zu erfassen, die dem physiologischen Zustand möglichst nahekommen.

Um Chargenvariationen zu vermeiden und gleichzeitig die korrekte Barcode-Zuordnung sowie die Zellrückgewinnung zu dokumentieren, wurde ein neu entwickeltes Massenspektrometrie-Barcoding-Protokoll angewandt, das vier aus neun Isotopen kombiniert. Dabei wurden aus den neun Isotopen Pd104, Pd105, Pd106, Pd108, Pd110, Pt194, Pt195, Pt196 und Au197 Kombinationen von vier Isotopen gebildet, was insgesamt 126 nutzbare Barcodes ergab. Von diesen wurden die 96 Barcodes mit der höchsten Reinheit ausgewählt und den 96 experimentellen Bedingungen zugeordnet.

Gleichzeitig wurde eine gleichzeitige Analyse mittels Massenzitometrie (CyTOF) durchgeführt, bei der die funktionellen Reaktionen von 28 Immunzell-Subpopulationen anhand der Expressionsänderungen von 12 intrazellulären phosphorylierten Proteinen und 8 Aktivierungsmarkern bewertet wurden. Schließlich umfasste die erstellte Einzelzell-Störungs-Landkarte 80 Störungsbedingungen und 218 Millionen Leukozyten. Für jedes Individuum ergaben sich durch die Kombination von 8 Stimuli × 28 Immunzell-Subpopulationen × 20 funktionellen Proteinen pro Gruppe insgesamt 4.480 Merkmale.

Testdatensatz: Ein unabhängiger Massenzitometrie-Datensatz aus einer früheren Studie von Stelzer et al. (Independent dataset)

Dieser Datensatz stammt aus einem longitudinalen Massenzitometrie-Datensatz, der von dem Forschungsteam dieser Studie zuvor veröffentlicht wurde und hauptsächlich als klinischer Referenzdatensatz für Simulationsstudien dient. Der Datensatz umfasst Blutproben, die von 63 Freiwilligen in den letzten 120 Tagen vor einer spontanen Entbindung entnommen wurden, wobei von jeder Person 1–3 Proben gesammelt wurden. Für die Simulationsexperimente wurden nur 177 unstimulierte Proben von Termingeburten (153 Proben von 58 Patientinnen) und Frühgeburten (14 Proben von 5 Patientinnen) verwendet. Wie in der folgenden Abbildung dargestellt:

Aufbau eines Einzelzell-basierten digitalen Zwillingssystems zur Simulation von Behandlungseffekten mit CellOT+Stabl

Das zentrale Konstruktionsziel von SIMCO war nicht einfach die Vorhersage, ob eine Schwangere eine Frühgeburt erleiden wird, sondern die Erreichung des klinischen Ziels der Frühgeburtprävention durch die Anwendung personalisierter pharmakologischer Interventionen bei spezifischen Patientinnen. Mit anderen Worten geht es darum, ob Medikamente das letztendliche klinische Ergebnis verändern können und ob sie bei jeder Patientin wirksame Ergebnisse erzielen. Auf dieser Grundlage entwickelte das Forschungsteam einen originellen Designansatz für SIMCO, der die Simulation der Einzelzell-Immunantwort mit der Modellierung klinischer Ergebnisse kombiniert, um die oben genannten Anforderungen zu erfüllen. Konkret gliedert sich der Prozess in drei Schritte, wie in der folgenden Abbildung dargestellt:

Im ersten Schritt nutzt SIMCO das Optimal-Transport-Lernen (OT) von CellOT, um auf hochdimensionalen Einzelzell-Störungsdatensätzen zu trainieren und die Immunantwort nach pharmakologischen Störungen mit Einzelzellauflösung zu kodieren. CellOT basiert auf einem Input-Convex Neural Network (ICNN) für das OT-Lernen; das Netzwerk enthält vier vollständig verbundene versteckte Schichten. Sein Vorteil liegt in der Fähigkeit, heterogene Einzelzell-Störungsantworten mit hoher Präzision vorherzusagen. In dieser Studie wurde die Netzwerkstruktur durch Hinzufügen einer vierstufigen Bottleneck-Struktur (128, 128, 64 und 32) feinabgestimmt und die Dimension des latenten Raums von 50 auf 42 reduziert, um Overfitting zu verhindern. Die Trainingsdauer wurde auf 50.000 Epochen festgelegt.

Im zweiten Schritt überträgt SIMCO die gelernten Gesetzmäßigkeiten der Einzelzell-Störung auf einen anderen unabhängigen Immunomik-Datensatz, der nur Basisliniendaten (unstimulierte oder unbehandelte Proben) sowie deren zugehörige klinische Ergebnisse enthält. Auf der Grundlage dieser Basisliniendaten simuliert SIMCO die Immunreaktion der Einzelzellen auf Störungen (wie z. B. in vitro-Stimulation oder medikamentöse Behandlung) und generiert so für jede Patientin ein Paar von Immunomik-Kontrolldigitalen Zwillingen: eine Variante mit und eine ohne Kandidatenmedikament.

Im dritten Schritt nutzt SIMCO den dünnbesetzten maschinellen Lernalgorithmus Stabl, um basierend auf dem Patiententrainingsdatensatz und den simulierten Immunomik-Daten ein multivariates Vorhersagemodell für klinische Ergebnisse zu erstellen. Im reservierten Patiententestdatensatz vergleicht SIMCO die Vorhersageergebnisse für den digitalen Zwilling jeder Patientin unter Behandlung und ohne Behandlung. Durch die Differenz zwischen diesen beiden Vorhersagen kann der Einfluss des Medikaments auf das klinische Ergebnis quantifiziert werden. Dies ermöglicht es SIMCO, das immunmodulatorische Potenzial von Kandidatenmedikamenten zu modellieren und die Entwicklung personalisierter Behandlungspläne zu unterstützen.

Hinsichtlich der spezifischen Berechnungsressourcen wurde CellOT mit dem offiziellen Python-Paket CellOT Version 0.1 ausgeführt. Das Training wurde auf der Stanford-Cloud-Plattform Sherlock bereitgestellt, mit einer maximalen angeforderten Speicherkapazität von 32 GB, einer maximalen Laufzeit von 20 Stunden pro Aufgabe und bis zu 16 GPUs pro Aufgabe. Stabl wurde mit dem Python-Paket Stabl 1w ausgeführt. Die grundlegende Datenanalyse umfasste die Korrektur zeitlicher Variationen und die Regularisierung von Datensätzen und stützte sich auf die Python-Pakete Scipy 1.10.4, scikit-learn 1.5.2, pandas 2.2.3 und numpy 1.26.4. Für die Visualisierung wurden seaborn 0.13.2 und matplotlib 3.10.3 verwendet.

Digitale Zwillinge auf Zellebene legen das Fundament für zukünftige personalisierte Prävention von Frühgeburten

Die Studie validierte zunächst die Leistungsfähigkeit des SIMCO-Einzelzell-Störungsprognosemodells. SIMCO wurde getrennt nach Zelltypen trainiert: Basierend auf DMSO-Kontrollen (nicht stimulierte Proben) lernte das Modell die Reaktionen der Zellen auf Stimuli; unter jeder Stimulationsbedingung lernte es, ebenfalls basierend auf DMSO-Kontrollen, die durch die Medikamentenbehandlung hervorgerufenen Reaktionen. Bei der simulationsgestützten Übertragung über Datensätze hinweg wurde das Modell nur mit den 13 funktionellen Markern trainiert, die zwischen dem Störungsdatensatz und dem unabhängigen Datensatz gemeinsam waren. Die Bewertung erfolgte mittels einer vierfachen Kreuzvalidierungsstrategie unter Verwendung von drei Metriken: mittlerer absoluter Fehler (MAE), Bestimmtheitsmaß (R²) und maximale mittlere quadratische Abweichung (MMD).

Die Ergebnisse (wie im folgenden Diagramm dargestellt) zeigten, dass SIMCO alle trainierten Baseline-Modelle in allen Metriken übertraf, was darauf hindeutet, dass es in der Lage ist, die Heterogenität der Patienten genau zu erfassen und eine präzise individualisierte Störungsmodellierung zu ermöglichen. Ein Vergleich der Marker mit starken Reaktionen unter IL-2/4/6-Stimulation (arcsinh-Differenz > 0,1) zeigte, dass die Verteilungen der simulierten und der gemessenen Werte übereinstimmten, was beweist, dass das SIMCO-Modell die zelluläre Heterogenität auf Einzelzelebenen genau abbilden kann. Besonders erwähnenswert ist, dass die Simulationsfehler hochgradig mit den inhärenten Unterschieden in der Signalreaktion zwischen den Patienten korrelierten (Spearman-Korrelationskoeffizient R=0,93); selbst bei den größten individuellen Unterschieden in der Signalantwort konnte SIMCO die relativen Unterschiede zwischen den Patienten beibehalten, ohne die individuellen Unterschiede zu nivellieren.

Anschließend validierte die Studie fortlaufend die Fähigkeit von SIMCO, die Auswirkungen der Behandlung auf den Zeitpunkt der Geburt vorherzusagen. Die Studie erstellte zunächst ein dünnbesetztes multivariates Modell basierend auf den Daten der unbehandelten Einzelzell-Digitalen Zwillinge, das den Abstand zum Entbindungszeitpunkt genau vorhersagen konnte (Pearson-Korrelationskoeffizient R=0,64, Wurzel aus dem mittleren quadratischen Fehler (RMSE) = 24,1 Tage; 24 Tage in der Gruppe der Termingeburten und 25,4 Tage in der Gruppe der Frühgeburten). Darüber hinaus konnte SIMCO nach der Schätzung der erwarteten Schwangerschaftsdauer durch die Kombination der Vorhersage des Entbindungszeitpunkts mit den Probenahmezeitpunkten die Digitalen Zwillinge von Termingeburten und Frühgeburten genau unterscheiden, mit einer AUROC von 0,75 (95% KI 0,59–0,88) und einer AUPRC von 0,29 (0,12–0,54). Wie im folgenden Diagramm dargestellt.

Bemerkenswert ist, dass die Vorhersageleistung von SIMCO durch die Hinzufügung von CellOT-Simulationsmerkmalen im Vergleich zur Verwendung nur echter Merkmale aus unstimulierten Daten signifikant verbessert wurde: Der Pearson-Korrelationskoeffizient stieg von 0,34 auf 0,61, die AUROC von 0,69 auf 0,75 und die AUPRC von 0,24 auf 0,34; selbst im Vergleich zu multivariaten Modellen, die auf vollständigen echten Merkmalen aus unabhängigen Datensätzen basierten, führte die Hinzufügung von CellOT-Simulationsmerkmalen zu einer stabilen, geringfügigen Leistungssteigerung, z. B. stieg der Pearson-Korrelationskoeffizient von 0,79 auf 0,82.

Anschließend simulierten die Forscher mit SIMCO die Unterschiede in der vorhergesagten Geburtsdauer zwischen behandelten und unbehandelten Digitalen Zwillingen unter Verwendung der Kandidatenmedikamente, wobei Maprotilin, THF und SALPZ den vorhergesagten Entbindungszeitpunkt insgesamt verzögerten. Im Gegensatz dazu zeigten andere Kandidatenmedikamente eine biphasische Wirkung in Abhängigkeit vom Schwangerschaftsfenster.

Hinsichtlich der kumulativen Effekte der Patientenbehandlung waren die drei wirksamsten Medikamente in den SIMCO-Simulationen, verglichen über die Schwangerschaftsdauer hinweg, THF (Durchschnitt 24,7 Tage, Interquartilsabstand (IQR) = 11,4–45,9), Maprotilin (Durchschnitt 18,8 Tage, IQR = 8,6–27,5) und SALPZ (Durchschnitt 17,3 Tage, IQR = 11,4–33,8). Natürlich können nicht alle Patienten in der realen klinischen Praxis von einer bestimmten Behandlung profitieren, daher quantifizierten die Forscher auch die Heterogenität dieser drei Medikamente unter den Patienten: Der Anteil der Patienten, die von THF-, SALPZ- und Maprotilin-Regimen profitierten, betrug 90,5%, 87,3% bzw. 82,5%; bei alleiniger Anwendung von SA konnten nur 46% der Patienten eine Verlängerung der Schwangerschaftsdauer erreichen.

Darüber hinaus klärte die Studie den Black-Box-Mechanismus im Experiment und lieferte mechanistische Einblicke in die Wirkung von Stimuli und Medikamenten. Es wurden insgesamt 21 Schlüsselmerkmale zur Vorhersage des Entbindungszeitpunkts identifiziert, von denen fünf der zehn wichtigsten Merkmale Reaktionen auf CD4⁺-T-Zell-Signalwege darstellen. Bemerkenswert ist dabei, dass eine verminderte pSTAT3-Konzentration in Antwort auf GM-CSF, TNF-α, PI und IFN-α mit früheren Zeitpunkten im Schwangerschaftsverlauf korreliert, was bedeutet, dass die STAT3-Aktivierung mit zunehmender Nähe zur Entbindung ansteigt. Gleichzeitig sinken der basale pS6-Spiegel sowie die durch TNF-α induzierten pS6-Spiegel in Granulozyten, wenn sich die Schwangerschaft der Entbindung nähert. Im Gegensatz dazu hoben THF und SALPZ diese schwangerschaftsbezogenen immunologischen Merkmale auf, indem sie die pSTAT3-Signalübertragung in naiven CD4⁺-T-Zellen dauerhaft hemmten und die pS6-Antwort in Granulozyten verstärkten. Insgesamt übten THF und SALPZ einen günstigen Einfluss auf sieben der zehn wichtigsten Merkmale aus.

Gleichzeitig stellte die Studie fest, dass bestimmte Medikamente auch dazu führen können, dass sich einige immunologische Marker in Richtung der Merkmale des späten Schwangerschaftsstadiums und der bevorstehenden Entbindung entwickeln. So hemmten THF und SALPZ nach PI-Stimulation stark die Aktivierung von pMK2 in Nicht-Makrophagen (ncMCs) und nach GM-CSF-Stimulation die Aktivierung von pCREB in intermediären Monozyten (intMCs), wobei diese Merkmale vor der Entbindung normalerweise früher aktiviert sein sollten. Bei der Vorhersage der Ergebnisse der therapeutischen digitalen Zwillinge berücksichtigt SIMCO nicht einzelne „ungünstige Signale“, um ein Medikament als frühgeburtsfördernd einzustufen. Stattdessen integriert das System intrinsisch die vielfältigen immunregulatorischen Effekte über alle Zelltypen, Stimulationsbedingungen und Signalwege hinweg, berechnet den Nettoeffekt und ermöglicht so eine systematische quantitative Bewertung, ob ein Medikament die Schwangerschaftsdauer verlängert oder verkürzt.

Abschließende Bemerkungen

Zusammenfassend eröffnet das SIMCO-Einzelzell-Digital-Zwillingssystem neue Perspektiven im Umgang mit der globalen Herausforderung der Frühgeburt. Klinische Studien zu neuen Medikamenten während der Schwangerschaft waren aufgrund ethischer und kostenseitiger Einschränkungen lange Zeit nur schwer in großem Maßstab für die Vorvalidierung von Kandidatenlösungen durchzuführen. SIMCO bietet einen neuen Ansatz, der In-vitro-Experimente mit computergestützter virtueller Screening-Verfahren kombiniert, um das Potenzial von Kandidatenmedikamenten bereits vor der Durchführung von Humanstudien zu bewerten. Dieses Einzelzell-Tool kann die regulatorischen Effekte von Medikamenten auf den maternalen Immunstatus und den Entbindungszeitpunkt vorhersagen und könnte in Zukunft als Referenz für die Entwicklung personalisierter Präventionsstrategien gegen Frühgeburt dienen.

Die Studie zeigte zudem, dass das SALPZ-Kombinationsprofil einzigartige immunmodulatorische Merkmale aufweist, die sich von denen der Monotherapien mit Aspirin und Lansoprazol unterscheiden. Die Wirksamkeit ist keine einfache Summation, was auf Wechselwirkungen zwischen den Medikamenten hindeutet. Der SIMCO-Rahmen selbst sowie die Kandidatenlösungen wie THF und SALPZ, die im Simulationen vielversprechende Ergebnisse zeigten, weisen den Weg für zukünftige mechanistische Studien und klinische Versuche zur Prävention von Frühgeburten.