Alzheimer-Forschung: Deep Learning identifiziert neue LSD1- und LILRB4-Hemmer
Veröffentlicht am: 01.10.2026 um 09:33 Uhr | Redaktion boerse-global.de
Aktuelle wissenschaftliche Publikationen verdeutlichen den zunehmenden Einfluss von Deep-Learning-Verfahren auf die Entwicklung neuer Therapieansätze gegen die Alzheimer-Krankheit. Im Zentrum stehen dabei insbesondere die Entdeckung und Optimierung natürlicher Inhibitoren für spezifische Proteine, die eine Schlüsselrolle im Krankheitsverlauf spielen könnten.
In Berichten vom 1. Oktober 2026 werden neue Ergebnisse zur Identifizierung von LSD1- und LILRB4-Inhibitoren vorgestellt, die mittels künstlicher Intelligenz (KI) erzielt wurden.
Deep Learning zur Identifikation neuartiger Inhibitoren
In der Fachzeitschrift Bioorganic Chemistry legten Forschergruppen um Zhonghua Li, Tiancheng Sun und weitere Autoren Ergebnisse zur Deep-Learning-gestützten Entdeckung natürlicher LSD1-Inhibitoren vor. Diese Inhibitoren zielen auf das Enzym Lysin-spezifische Demethylase 1 (LSD1) ab, dessen Regulierung als potenzieller Hebel in der Alzheimer-Therapie gilt.
Parallel dazu veröffentlichten Somaya A. Abdel-Rahman und Moustafa T. Gabr in derselben Fachzeitschrift Details zur KI-gestützten Entdeckung eines hirngängigen LILRB4-Inhibitors. Dieser habe sich in mikrogliären Modellen sowie in speziellen 5xFAD-Alzheimer-Modellen als aktiv erwiesen.
Ergänzend zu diesen Entdeckungen zeigen Daten des KI-Biotech-Unternehmens Topos Bio die Leistungsfähigkeit spezialisierter Modelle. Das Modell Topos-Bind sei laut einem Bericht vom 30. September 2026 als einziges in der Lage gewesen, Formänderungen von Amyloid-beta unter Wirkstoffeinfluss vorherzusagen.
Während die Forschung an neuen Therapien gegen das Vergessen intensiv voranschreitet, können Sie schon heute aktiv werden, um Ihre geistige Fitness bis ins hohe Alter zu erhalten. Dieser kostenlose Ratgeber liefert Ihnen praktische Übungen und Ernährungstipps zur gezielten Demenzvorbeugung. 7 Geheimnisse mentaler Fitness jetzt kostenlos entdecken
In Benchmark-Tests wie PeptoneBench erreichte das Modell Topos-2 den ersten Platz unter mehr als zehn evaluierten Systemen, darunter Entwicklungen von Microsoft und Google DeepMind.
Die Trainingsdaten für diese Modelle basieren auf experimentellen Datensätzen zur Bindung kleiner Moleküle an intrinsisch ungeordnete Proteine (IDPs), die laut Unternehmensangaben deutlich umfangreicher sind als bisherige Referenzwerte. Das kommerzielle Potenzial für die Adressierung solcher bislang schwer behandelbarer Proteine wird auf über 200 Milliarden US-Dollar jährlich geschätzt.
Biologische Mechanismen und präklinische Validierung
Neben der rein digitalen Wirkstoffsuche liefern aktuelle Laborstudien Einblicke in die zugrunde liegenden biologischen Prozesse. Eine in Communications Biology veröffentlichte Untersuchung der Stanford University School of Medicine untersuchte Drosophila-Modelle mit Alzheimer-assoziierten Proteinen.
Die Forscher beobachteten dabei eine gestörte Mitochondrien-Funktion und eine verarmung des Coenzyms NAD+. Durch den Einsatz von Hefe-NDI1 konnte die NAD+/NADH-Balance wiederhergestellt und zelluläre Defekte sowohl in Tiermodellen als auch in humanen neuronalen Modellen korrigiert werden.
Experten betonen immer wieder, dass neben medizinischen Fortschritten auch die frühzeitige Sensibilisierung für geistige Veränderungen eine entscheidende Rolle spielt. Nutzen Sie diesen anonymen 7-Fragen-Selbsttest, um in nur zwei Minuten eine erste Einschätzung zu möglichen Warnsignalen zu erhalten. Hier geht es zum kostenlosen Demenz-Selbsttest
An der ETH Zürich wurde unter der Leitung von Ursula Quitterer ein Wirkstoff namens Compound 10 identifiziert, der in präklinischen Mausmodellen die Alzheimer-Pathologie verlangsamte.
Der Mechanismus beruht auf der Hemmung der Aggregation des Proteins GRK2. In transgenen Mäusen führte dies laut einem Bericht vom 30. September 2026 zu einer verbesserten neurologischen Funktion und einer verlängerten Lebensspanne.
Auch Fujifilm nutzt KI-Technologien wie AI-AAM®, um virtuelle Bibliotheken von etwa 12 Millionen Verbindungen zu durchsuchen. In Kooperation mit mehreren japanischen Universitäten wurden so hochaktive Histidin-Kinase-Inhibitoren identifiziert, die als Grundlage für neue Wirkstoffe dienen könnten.
Industrielle Skalierung und Infrastruktur
Die Integration von KI in die Pharmaforschung wird zunehmend durch groß angelegte Kooperationen und Infrastrukturinvestitionen untermauert. CAS, ein Geschäftsbereich der American Chemical Society, und Novartis Biomedical Research gaben Ende September 2026 eine Zusammenarbeit bekannt.
Ziel ist der Aufbau einer Forschungsplattform, die proprietäre Daten von Novartis mit über 160 Millionen kuratierten Reaktionen aus der CAS-Sammlung kombiniert. Dies soll als Basis für künftige agentische KI-Funktionen dienen.
Unternehmen wie Qiagen setzen dabei verstärkt auf manuell kuratierte Daten, um die Präzision von KI-Agenten zu erhöhen und Fehlinterpretationen zu vermeiden. Gleichzeitig findet die Technologie breite Anwendung in der Industrie: Der KI-Agent Bunsen von Schrödinger wird laut Berichten großflächig bei Bristol Myers Squibb eingesetzt, wobei der Jahresvertragswert auf 29,6 Millionen US-Dollar stieg.
Flankiert werden diese technologischen Entwicklungen durch massive Investitionen in physische Kapazitäten. Roche investiert rund 790 Millionen CHF in den bau einer neuen Anlage für synthetische Moleküle in Basel, die bis 2030 fertiggestellt sein soll.
Da synthetische Wirkstoffe bereits die Hälfte des Pharma-Portfolios von Roche ausmachen, unterstreicht dieser Schritt die langfristige Bedeutung der chemischen Wirkstoffentwicklung im Zusammenspiel mit modernen IT-Verfahren.
