Optimierung der gerichteten Evolution onkolytischer Adenoviren durch die Erstellung verbesserter viraler Bibliotheken mithilfe adaptiver In-silico-Werkzeuge

• Antragsteller: Dr. Julian Fischer
• Fachliche Zuordnung: Virologie
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 580244154

Humane Adenoviren (HAdV) werden weitreichend als virale Vektoren verwendet. In klinischen Feldern sind sie äußerst populär als Vektoren für Impfungen oder als Tumortherapie. Trotz der weiten Verbreitung dieser Plattform, ist die Anwendung von onkolytischen HAdV stark limitiert: Unter anderem verlassen sich zurzeit verwendete rekombinanten Adenoviren (rAd) zumeist auf natürlich auftretende Tropismen um ihre Zielzellen zu infizieren. Dies sorgt für einerseits limitierte Effizienz der Behandlung, da Tumorzellen nicht spezifisch infiziert werden könne. Andererseits ist die (systemische) Anwendbarkeit außerdem reduziert, da auch gesundes Gewebe infiziert werden kann. Um dieses Problem zu lösen wurde zunächst Ad5NULL entwickelt, ein rAd basierend auf HAdV-C5, welcher keine unspezifische Bindung an zelluläre Rezeptoren zulässt. Auf Basis dieses Virus konnten bereits mehrere neuartige Therapien entwickelt werden, welche zurzeit in der klinischen Phase getestet werden. Jedoch ist die Identifikation neuer zellulärer Ziel-Rezeptoren äußert zeitaufwändig und nicht effizient. Mithilfe unserer neuen Technologie zur Generierung genetischer Libraries konnten wir bereits beweisen, dass wir die notwenige Diversität an viralen Partikeln erreichen können, um in vitro gerichtete Evolution zu ermöglichen. Nun möchten wir diese Methode auf Basis von Ad5NULL anwenden, um zielgerichtet neuartige rAd Vektoren ohne ungewollte off-target-Effekte zu entwickeln. Aufgrund der immensen Diversität an viralen Partikeln, die diese Vorhaben erfordert, werden wir einen machine-learning-basierten Algorithmus entwickeln, welcher aufgrund experimentell erhobener Daten versuchen wird, Korrelationen zwischen Vektor-Effizienz und auftretender biochemischer Charakteristika zu finden. Aufgrund von natürlicher biologischer Diversität ist es äußerst unwahrscheinlich, dass dieser Algorithmus in der Lage sein wird, Interaktionen vorauszusehen. Stattdessen möchten wir ihn nutzen, um die Wahrscheinlichkeit zufällig auftretender viabler Varianter zu erhöhen. Bestimmte Charakteristika werden negativen Einfluss auf die Vektor-Perfomance entstehender viraler Partikel entwickeln, welche wir hiermit in silico herausfiltern werden. Hierdurch wird die benötigte Diversität innerhalb der Library reduziert und das Verhältnis potenziell viabler Varianten verbessert. Als Maßstab für Vektor-Performance wird Replikation in relevanten Krebszelllinien verwendet. Anstatt nur auf Rezeptorbindung (wie z.B. bei Anwendung von Phage-Display-Libraries) zu achten, werden wird hierdruch aggregiert Bindung, Infektion, Transduktion und Wirtszellantwort beachten, um direkt translational relevante Varianten zu selektieren. Durch iterative Wiederholungen des Ablaufes wird die Präzision des Modells laufend verbessert. Somit wird dieses Projekt nicht nur neuartige Vektorkandidaten entwickeln, sondern auch grundlegende Werkzeuge für die Entwicklung neuer Vektoren und andere, grundlegender Anwendungsbereiche liefern.

• DFG-Verfahren: Stipendium
• Internationaler Bezug: Großbritannien
• Gastgeber: Professor Alan Parker, Ph.D.