Folgender Blogbeitrag wurde von Milos Jovanovic im Rahmen eines Leistungsnachweises des CAS Disruptive Technologies verfasst und enthält subjektive Färbungen. Bewertet wurde der Beitrag von Arijana Walcott und redigiert der Redaktion des Institute for Digital Business.

Was kostet ein Leben

Der Listenpreis für das aktuell teuerste Medikament der Welt kommt vom Schweizer Pharmakonzern Novartis und beträgt 2,1 Millionen Franken. Novartis plante für das Jahr 2020 das Medikament an 100 Patientinnen und Patienten weltweit zu verschenken. Das auf einer Gentherapie basierende Medikament kommt bei Kindern unter zwei Jahren zum Einsatz, welche die seltene Erbkrankheit Spinale Muskelatrophie (SMA) haben. Der zugrunde liegende Gendefekt sorgt bei den Neugeborenen für einen Muskelschwund. Dabei endet die Krankheit meistens tödlich. Mit einem Kind aus 10’000 zählt diese zu den häufigeren seltenen Erbkrankheiten. Doch wie kommt ein solch exorbitanter Listenpreis zustande und wie kann der Predictive Health Ansatz dagegen steuern?

Der Aufbau des menschlichen Körpers

1990 wurde das Humangenomprojekt ins Leben gerufen, mit dem Ziel der vollständigen Sequenzierung des menschlichen Erbguts. Nur elf Jahre später war es soweit und der vollständige Bauplan des menschlichen Körpers war erforscht. Das Erbgut ist für jeden Menschen einzigartig und besteht dabei aus über drei Milliarden Basenpaare. Die Basenpaare bilden sich dabei aus lediglich vier Basen (Quelle: umass.edu):

Nukleinbasen

AAAAAaAdenin                                      Guanin                                     Cytosin                                    Thymin

Das Erbgut selbst kann in einzelne Abschnitte, den Genen, unterteilt werden. Sie bestimmen mitunter die Eigenschaften des einzelnen Individuums wie zum Beispiel die Augenfarbe oder die Körpergrösse. Man unterscheidet dabei zwischen nicht-kodierenden und kodierenden Genen. Die kodierenden Gene beinhalten die Anweisungen für die Herstellung der Proteine im menschlichen Körper. Warum ist das wichtig?

Proteine sind die Werkzeuge der Lebewesen. Beispielsweise Antikörper, die uns vor Mikroorganismen schützen und verteidigen oder Enzyme, die wichtige Funktionen im Stoffwechsel von Organismen ausüben. Alle diese kleinen Helfer sind Proteine. Und dank dem Humangenomprojekt wissen wir heute, dass der menschliche Körper zwischen 20’000 und 25’000 spezifische Proteine herstellen kann.

Der Mensch als Buch und was wir daraus lesen

Riccardo Sabatini, unser Dozent, welcher im Rahmen des CAS Disruptive Technologies zum Thema Predictive Health unterrichtete, veranschaulicht in seinem TED Talk diese Zahlen eindrücklich:

Die klassische Arzneimittelforschung

Der Entwicklungsprozess für ein neues Medikament lässt sich in vier grobe Phasen einteilen:

  1. Forschung (3-5 Jahre)
  2. Präklinische Phase (über 1 Jahr)
  3. Klinische Phase (3-7 Jahre)
  4. Zulassung und Markteinführung (bis zu 4 Jahre)

Gemäss Interpharma, einem Verband bestehend aus 23 in der Schweiz forschenden pharmazeutischen Unternehmen, reinvestieren Pharmaunternehmen weltweit rund 20 Prozent des Umsatzes in die Entwicklung und Forschung. Der Entwicklungsprozess für ein neues Medikament in der Schweiz dauert im Durchschnitt zwölf Jahre und kostet rund 2,6 Milliarden Franken. Dabei fallen etwa zwei Drittel der Kosten noch vor der klinischen Phase an. Die Patente auf Medikamente gelten 20 Jahre und können mit einem Schutzzertifikat um weitere fünf Jahre verlängert werden. Ein weiterer Faktor bei der Preisgestaltung ist die lebensverlängernde Wirkung und dabei vor allem die Anzahl der gewonnen Jahre. Dieser Punkt ist aus ethischer Sicht sicher ein sehr strittiger, da sofort die Frage nach dem Wert eines Menschenlebens aufkommt.

Welcher Kostenexplosion steuert Predictive Health entgegen

Eroom’s Law (rückwärts geschrieben für Moore’s Law) ist eine Beobachtung, die beschreibt, wie sich die Anzahl der zugelassenen Medikamente pro eingesetzte Milliarde Dollar über die letzten Jahrzehnte verhält. Während Moore’s Law eine Verdoppelung der Anzahl Transistoren alle zwei Jahre prognostiziert, stellt Eroom’s Law eine Verdoppelung der Entwicklungskosten für Medikamente alle neun Jahre fest.

Der Predictive Health Ansatz

Proteine sind in der Arzneimittelforschung der Ausgangspunkt für die Entwicklung neuer Medikamente und Therapien. Es sind jedoch nicht alle Proteine geeignet. Damit ein Protein als Kandidat (Target) in Frage kommt, muss es anhand seiner räumlichen Struktur Andockstellen (Pocket Holes) vorweisen. Erst durch das Platzieren eines passenden Moleküls in diese Pocket Holes können die Proteine aktiviert oder gehemmt werden. Man programmiert gewissermassen das Verhalten der Proteine um. Falls das Protein sich nach der Umprogrammierung gemäss den Erwartungen verhält, ist ein potenzielles Medikament gefunden.

Pocket Hole

Abbildung eines Proteins mit einem Pocket Hole. Bild von Thomas Shafee, CC BY 4.0, via Wikimedia Commons

Es gibt in der menschlichen Zelle neben dem Target rund 20’000 weitere potenzielle “Off Targets”, die auf ein gefundenes Molekül reagieren können. Ein bekanntes Beispiel ist Sildenafil. Anfangs entwickelt für die Behandlung von Bluthochdruck und Herzenge, wird es heute weltweit für die Behandlung von Erektionsstörungen bei Männern unter dem Namen Viagra von Pfizer vermarktet.

Predictive Health setzt jetzt bei der mit Machine Learning unterstützten Analyse an. Bei keinem der zugelassenen Medikamente sind zum heutigen Stand sämtliche Off Targets bekannt. Das eröffnet viele vielversprechende neue Möglichkeiten:

  • Neue Ansätze, um bestehende Medikamente zu optimieren
  • Ganz neue Targets für bereits zugelassene Medikamente
  • Bei zugelassenen Medikamenten ist das Sicherheitsprofil bekannt. Die Entwicklung neuer Therapien auf Basis der gefunden Off Targets profitiert von den bereits bekannten Risiken

Wie sieht die konkrete Umsetzung bei Predictive Health aus

Die grosse Herausforderung ist die Detektion der Off Targets. Dazu verwendet man sogenannte “Genome Scale Chips”. Im Grunde genommen, kann man sich diesen Chip als biologische Software vorstellen, auf welchem programmierbare menschliche Zellen angebracht sind. Der “Quellcode” besteht aus einer langen Kette von zusammengesetzten Basen (Adenin, Guanin, Cytosin und Thymin). Die menschliche Zelle erzeugt darauf basierend eine synthetische Kopie eines Proteins. Sobald beim Kontakt mit dem zu testenden Medikament eine Reaktion entsteht, löst dies ein messbares Signal aus und das Off Target wird detektiert. Wie diese Instruktionsketten aussehen müssen, ist ebenfalls ein Produkt aus den Erkenntnissen des Humangenomprojekts und den erzeugten Korrelationen aus dem Machine Learning.

Predictive Health ist eine Chance für uns alle

Pro Sekunde erblicken weltweit vier Neugeborene das Licht der Welt. Alle 2500 Sekunden oder knapp 42 Minuten später kommt ein Kind auf die Welt mit der Diagnose SMA. Mit Blick auf Eroom’s Law brauchen wir den Predictive Health Ansatz, um eine Früherkennung von Krankheiten und Medikamente für die Schwächsten in unserer Gesellschaft leistbar und somit zugänglich zu machen. Geben wir unserer biologischen Uhr eine Chance.


About the Author: Milos Jovanovic

Milos Jovanovic ist Software Engineer bei der Pax, Schweizerische Lebensversicherungs- Gesellschaft AG, einer genossenschaftlichen Vorsorgeversicherung für die Private und Berufliche Vorsorge. Er hat sich für den MAS Digital Business entschieden, um bei der digitalen Transformation in der Schweiz mitzugestalten.

Milos Jovanovic

Milos Jovanovic,
CAS Disruptive Technologies