MEINUNG

Herkömmliche Ansätze in der klinischen Arzneimittelentwicklung haben zu einer erheblichen Kluft zwischen der präklinischen Forschung und der Anwendung am Patienten geführt. Nur die Arzneimittel, die große klinische Studien bestehen, gelangen in die klinische Praxis, und eine potenziell heterogene Patientengruppe erhält letztendlich dieselbe Behandlung. Da die personalisierte Medizin in der Life-Sciences-Branche zunehmend an Bedeutung gewinnt, überdenken Pharmaunternehmen ihre Grundsätze auf der Grundlage datengestützter Ansätze. Dies ermöglicht es ihnen, die Arzneimittelentwicklung besser an die Unterschiede zwischen den Patienten anzupassen.

Der Begriff „ko-klinische Entwicklung“ beschreibt den Prozess der Extrapolation von Krankheitsverläufen auf der Grundlage präklinischer Modelle auf Patienten und umgekehrt. Die Grundlage der ko-klinischen Entwicklung bilden präklinische Modelle wie patientenabgeleitete Xenotransplantate (PDX) und patientenabgeleitete Organoide (PDO), bei denen Patientenmaterial, z. B. aus einer Biopsie, entweder in Mäuse implantiert oder in Kultur gebracht wird, um stabile Modelle für präklinische Tests zu schaffen. Das Hauptziel dabei ist es, die Bandbreite der Patientenvariabilität in diesen Modellen zu bewahren und abzubilden. Um die Lücke zwischen der präklinischen Forschung unter Verwendung patientenabgeleiteter Modelle und der ko-klinischen Entwicklung zu schließen, muss ein kontinuierlicher Datenfluss etabliert werden. Durch die Erfassung desselben Datensatzes in der Patienten-, PDX- und PDO-Phase können Ähnlichkeiten und Abweichungen überprüft werden. Dazu gehören Behandlungsreaktionen, Modell-/Patientenanamnese, Bildgebung, Histopathologie, Biomarker sowie -omik-Daten.

Die Steuerung personalisierter medizinischer Behandlungen mithilfe von patientenabgeleiteten Modellen kann über drei verschiedene Ansätze erfolgen. Bei einem proaktiven Ansatz werden die molekularen Profile der Patienten charakterisiert und mit den Profilen abgeglichen, die in bestimmten patientenabgeleiteten Modellen gefunden wurden. Auf diese Weise lässt sich eine fundiertere Entscheidung über die Eignung einer individuellen Behandlung treffen. Zweitens kann ein paralleler Ansatz verfolgt werden. Hier werden die Behandlungsschemata in Echtzeit auf der Grundlage von Rückmeldungen gesteuert, die aus einem gleichzeitig laufenden patientenabgeleiteten Modell gewonnen werden. Schließlich kann ein retrospektiver Ansatz gewählt werden, bei dem Daten aus Patientenstudien und patientenabgeleiteten Modellen in der translationalen Forschung genutzt werden, um zukünftige Behandlungen zu verbessern.

Fortschritte bei den Hochdurchsatz-Screening-Verfahren, darunter High-Content-Imaging-, Biomarker- und Omics-Daten, führen dazu, dass die den Forschern zur Verfügung stehende Evidenzbasis vielfältiger und wesentlich umfassender wird. Dies bedeutet auch, dass die Menge der zu verarbeitenden Daten stark zunimmt, was neue Ansätze zur Optimierung der Datengenerierung und -verarbeitung erfordert. Durch den Einsatz von Big-Data-Ansätzen zur Standardisierung und Vernetzung, z. B. mittels Smart-Linking und Musteranalysen, zielt InnoSer darauf ab, eine Brücke zwischen seiner PDX/O-Plattform und klinischen Daten zu schlagen, um letztlich den Patienten zu nutzen.

InnoSer entwickelt seine PDX/O-Plattform für solide Tumoren in Zusammenarbeit mit der Universität Hasselt, dem Jessa-Krankenhaus, der VUB und dem LUMC. Darüber hinaus arbeitet InnoSer daran, diese Plattform auf Material aus flüssigen Tumoren (Non-Hodgkin-Lymphom) auszuweiten. InnoSer konzentriert sich auf Krebserkrankungen mit hohem ungedecktem medizinischem Bedarf, d. h. Tumoren mit hoher Tumor-Mutationslast (TMB), die mit einer schlechten Überlebensprognose für die Patienten verbunden sind. Wir suchen Early Adopters für die PDX/O-Plattform, um diese gemeinsam zu validieren.