Ingenieure der University of Pennsylvania haben eine revolutionäre robotische Mikrofuidik-Plattform namens LIBRIS entwickelt, die die Entwicklung von Lipid-Nanopartikeln (LNPs) durch massive Beschleunigung des Prozesswesens ermöglicht. LNPs sind entscheidende Trägersysteme für mRNA-Therapien, wie sie auch in den COVID-19-Impfstoffen verwendet wurden, doch ihr Design war bisher stark limitiert. Die komplexe Zusammensetzung aus verschiedenen Lipid-Komponenten und deren Verhältnisse bestimmen maßgeblich, wie genetische Anweisungen in Zellen transportiert werden, doch fehlte lange an einer klaren Vorhersagebeziehung zwischen chemischen Eingaben und biologischen Ergebnissen. Der Hauptgrund dafür war ein eklatanter Datenmangel, der für das Training prädiktiver KI-Modelle notwendig ist. Das neue System, dessen Name sich aus der Abkürzung für robotergestützte LNP-Produktion und Screening ableitet, generiert bis zu 1.000 verschiedene LNP-Formulierungen pro Stunde. Dies ist etwa 100-mal schneller als herkömmliche manuelle Methoden. Die Plattform besteht aus einer Art Miniaturfabrik, in der Rohre unterschiedliche LBP-Komponenten in einen mikrofuidischen Glaschip leiten, der in einem Aluminiumgehäuse untergebracht ist. In den mikroskopisch kleinen Kanälen des Chips vermischen sich die Bestandteile unter präzise kontrolliertem Druck. Ein wesentlicher Fortschritt gegenüber bestehenden Systemen ist das parallele Design, das es dem Chip erlaubt, acht verschiedene Formulierungen gleichzeitig herzustellen. Durch eine schnelle Reinigungsfunktion kann die Anlage nahezu kontinuierlich laufen und erzeugt in großen Mengen definierte Datenpakete. Die Entwicklung wird von Professor Michael J. Mitchell und Professor David Issadore vorangetrieben. Beide betonen, dass der bisherige Engpass nicht in der Synthese neuer Lipide oder deren Testung lag, sondern in der eigentlichen Formulierung der Partikel. Traditionelle manuelle Verfahren sind langsam und zeitaufwendig, während frühere automatische Lösungen oft inkonsistente Ergebnisse lieferten oder nicht skalierbar waren. LIBRIS überwindet diese Hindernisse durch hohe Durchsatzraten und gleichzeitige parallele Verarbeitung. Die Konsequenzen dieses Durchbruchs sind weitreichend. Mit dem Zugang zu riesigen, systematischen Datensätzen können KI-Algorithmen Muster erkennen, die chemische Strukturen mit biologischen Effekten verknüpfen. Dies ermöglicht einen Paradigmenwechsel von einem Trial-and-Error-Ansatz hin zum rationalen Design. Forscher könnten zukünftig nicht mehr nur testen, welche von hundert Varianten am besten funktioniert, sondern gezielt Nanopartikel mit spezifischen gewünschten Eigenschaften konstruieren. Das Ziel ist es, die Entwicklung von Therapien gegen antibiotikaresistente Infektionen und genetische Erkrankungen sowie die Optimierung bestehender mRNA-Plattformen erheblich zu beschleunigen. Das von Doktorand Andrew Hanna entwickelte System markiert somit einen wichtigen Schritt in Richtung der vollautomatisierten und datengestützten Medikamentenentwicklung. Die Forscher planen nun, die gesammelten Daten zu nutzen, um die genauen Beziehungen zwischen chemischen Eingabeparametern und den daraus resultierenden biologischen Wirkungen zu kartieren. Dies könnte die Tür für eine neue Ära der präzisen und maßgeschneiderten Wirkstofftransporte öffnen, in der künstliche Intelligenz die Entwürfe direkt basierend auf medizinischen Anforderungen generiert.