Forschende der Cleveland Clinic und von IBM haben ein Quanten-Machine-Learning-Modell entwickelt, das vorhersagen soll, welche durch Tumormutationen entstehenden Neoantigene eine Immunantwort auslösen. Q-CHIPP führt dazu Prognosen der Antigenpräsentation und der Reaktion auf Immuntherapien in einem einheitlichen Rahmen zusammen. In der 2026 in „Science Advances“ veröffentlichten Arbeit schnitt der Ansatz unter vergleichbaren Beschränkungen und Parametergrenzen genauer ab als klassische Rechenmethoden – besonders relevant ist das bei kleinen Datensätzen. Das Team will damit die Suche nach therapeutischen Zielstrukturen verbessern; eine klinische Wirksamkeit von Behandlungen weist die Studie jedoch nicht nach.
- Q-CHIPP wurde von Fachleuten für Krebsmedizin, Computerwissenschaften und Quantencomputing entwickelt.
- Das Modell kann laut der Studie mit Trainingsdatensätzen von nur 150 Proben lernen.
- Die vollständige Modellierung von Peptiden gelang auf Quantenhardware mit 46 Qubits.
- Die Ergebnisse erschienen in der Fachzeitschrift „Science Advances“.
Nur wenige Neoantigene werden vom Immunsystem erkannt
Neoantigene sind veränderte Proteine auf der Oberfläche von Krebszellen. Sie entstehen, wenn sich die DNA der Zellen verändert, und können dem Immunsystem anzeigen, dass eine Zelle körperfremd oder schädlich ist. Immunogene Neoantigene, die eine starke Erkennung auslösen, spielen nach Angaben der Forschenden eine zentrale Rolle für die Reaktion auf Immuntherapien.
Die Auswahl geeigneter Kandidaten ist allerdings schwierig: In einem einzelnen Tumor können Tausende potenzielle Neoantigene vorkommen, doch nur wenige davon werden tatsächlich vom Immunsystem erkannt. Für personalisierte Krebsimpfstoffe und andere Behandlungsansätze müssen Forschende deshalb möglichst zuverlässig bestimmen, welche Kandidaten eine Immunreaktion aktivieren könnten.
Q-CHIPP steht für „Quantum Convolutional HLA Immunogenic Peptide Prediction“. HLA-Moleküle präsentieren dem Immunsystem kleine Proteinbestandteile, sogenannte Peptide. Ob ein mutiertes Peptid präsentiert und anschließend als Ziel erkannt wird, ist daher ein wichtiger Teil der Vorhersage.
Für die Krebsforschung bedeutet eine genauere Vorauswahl, dass vielversprechende Neoantigene gezielter für weitere Untersuchungen priorisiert werden könnten.
Kleine Datensätze begrenzen klassische Lernverfahren
Die Cleveland Clinic hatte 2024 einen Atlas mit 196 Kandidaten veröffentlicht, die wahrscheinlich eine Immunreaktion auslösen. Für komplexe Modelle des maschinellen Lernens gilt eine solche Datenmenge jedoch weiterhin als klein. Das kann dazu führen, dass ein Modell die Trainingsdaten zu stark abbildet, bei neuen Daten aber schlechter funktioniert.
Um diese Einschränkung zu adressieren, entwickelte das Team ein quantenbasiertes konvolutionales neuronales Netz. Der Ansatz soll aus kleinen Datensätzen biologisch relevante Muster ableiten können. Nach den Ergebnissen der Studie war Lernen bereits mit 150 Proben möglich.
Beim Vergleich unter ähnlichen Beschränkungen und mit vergleichbaren Parametergrenzen übertraf das Quantenmodell traditionelle Rechenmethoden. Diese Aussage gilt damit ausdrücklich für die in der Arbeit geprüften Bedingungen und lässt sich nicht ohne weitere Tests auf andere Datensätze oder den klinischen Alltag übertragen.
Modell läuft mit 46 Qubits auf Quantenhardware
Als technischen Schritt skalierte das Team den Ansatz auf die Modellierung vollständiger Peptide mit 46 Qubits. Qubits sind die grundlegenden Informationseinheiten eines Quantencomputers. Die Verbindung von biomedizinischem Wissen und Quantenrechnen war nach Darstellung der Beteiligten entscheidend, um Eigenschaften des Immunsystems in Quantenschaltungen abzubilden und das Modell anhand realer Patientendaten zu prüfen.
Der gemessene Genauigkeitsvorteil ist ein Forschungsresultat – noch kein Beleg dafür, dass Q-CHIPP bereits bessere Therapien oder Behandlungsergebnisse ermöglicht.
Die Forschenden wollen das Quantenmodell weiterentwickeln, um therapeutische Zielstrukturen genauer zu identifizieren. Langfristig könnte dies nach ihrer Einschätzung die Entwicklung personalisierter Immuntherapien und neuer Impfstoffe beschleunigen. Dafür wären jedoch weitere Validierungen erforderlich, bevor aus der rechnerischen Vorhersage ein klinisch nutzbares Verfahren werden kann.
Welche Rolle sollte Quantencomputing Ihrer Ansicht nach künftig bei der Entwicklung personalisierter Krebstherapien spielen?
