Personalisierte mRNA-Krebstherapie: Was wir vom Fall der Hündin Rosie für die Medizin lernen. Blog#258
Im Mai 2024 wurde bei der achtjährigen Mischlingshündin Rosie ein hochgradiger Mastzelltumor diagnostiziert – eine der häufigsten und biologisch aggressivsten Hautkrebsformen beim Hund. Nach Operation und Chemotherapie verschlechterte sich ihr Zustand weiter. Ihr Besitzer, der australische Datenexperte Paul Conyngham, initiierte daraufhin einen experimentellen Therapieversuch: die Entwicklung einer personalisierten Neoantigen-mRNA-Vakzine auf Basis genomischer Tumoranalyse.
Das Projekt erstreckte sich von 2024 bis Dezember 2025 und erforderte die koordinierte Zusammenarbeit zwischen Sequenzierungseinrichtungen, Bioinformatik, akademischen RNA-Syntheselaboren und veterinären Kliniken. Die Gesamtkosten werden auf mehrere zehntausend australische Dollar geschätzt. Die reine Entwicklungszeit von der Sequenzierungsanalyse bis zur fertiggestellten mRNA-Vakzine betrug weniger als zwei Monate. Die Therapie bestand nicht aus einer isolierten mRNA-Impfung, sondern aus einer biologisch rationalen Kombination mehrerer Wirkstoffe.
Der Primärtumor schrumpfte um etwa 75 Prozent, Rosies Lebensqualität verbesserte sich deutlich – eine größere Läsion an anderer Körperstelle blieb jedoch initial therapieresistent. Conyngham ließ daraufhin eine zweite Genomsequenzierung durchführen, um die Resistenzmechanismen zu verstehen.
Der Fall ist weder eine Wunderheilung noch ein KI-Durchbruch im engeren Sinne. Er ist ein instruktiver Proof-of-Concept für beschleunigte personalisierte Immuntherapie unter realen Bedingungen – mit klaren Erfolgen, aber ebenso klaren Grenzen. Die Machbarkeit wurde durch das australische regulatorische Umfeld ermöglicht, das veterinäre Studien deutlich leichter genehmigt als humane klinische Versuchsreihen.
Die Prognose war ungünstig. An diesem Punkt entschied sich Conyngham, neue Wege zu gehen. Er verfügte über langjährige Erfahrung in Data Science und Machine Learning, jedoch über keine formale biomedizinische Ausbildung. Sein Ansatz war konsequent datengetrieben: Wenn Krebs eine genetische Erkrankung mit spezifischen Treibermutationen ist, müsste sich der individuelle Mutationscode therapeutisch nutzen lassen – insbesondere durch die Aktivierung des körpereigenen Immunsystems.
Die Kosten für Whole-Genome-Sequenzierung und initiale Datenverarbeitung lagen bei rund 3.000 australischen Dollar (etwa 2.000 Euro). Die resultierende Rohdatenmenge betrug ungefähr 300 Gigabyte.
ChatGPT (Wissensintegration): Conyngham nutzte ChatGPT, um sich systematisch in Literatur, Methodik und experimentellen Workflows einzuarbeiten. Das System half dabei, Fachliteratur zu strukturieren, immunologische Konzepte zu erklären, Sequenzierungsergebnisse zu interpretieren und einen schrittweisen experimentellen Protokoll zu entwickeln. ChatGPT fungierte als "Research-Partner" – es komprimierte Forschungszyklen durch schnelle Erkenntnisintegration, ersetzte aber nicht die grundlegende Fachdisziplin.
AlphaFold (Proteinstrukturvorhersage): Ein kritischer Schritt war die Vorhersage, welche 3D-Struktur die mutierten Proteine aus Rosies Tumor annehmen würden. Hier nutzte Conyngham DeepMind's AlphaFold 2, eine KI zur hochgenauen Proteinstrukturvorhersage. AlphaFold ermöglichte es, die 3D-Faltung der c-KIT-Mutante und anderer Neoantigen-Kandidaten zu modellieren – eine Aufgabe, die früher experimentelle X-ray-Kristallographie erfordert hätte.
pVACseq (Neoantigen-Vorhersage): Die Neoantigen-Vorhersage erfolgte mit dem etabliertem bioinformatischem Standard-Werkzeug pVACseq. Diese Software berechnet auf Basis der identifizierten Mutationen, welche Peptide mit hoher Wahrscheinlichkeit an Rosies individuelle Dog Leukocyte Antigen (DLA)-Moleküle binden. Nur solche Peptide kommen als Impfziel infrage – die Übereinstimmung mit dem individuellen MHC/DLA-Profil ist entscheidend für immunologische Reaktivität. pVACseq priorisierte sieben starke Neoantigen-Kandidaten.
Zusammenfassung: KI (ChatGPT und AlphaFold) beschleunigte und demokratisierte den Wissensintegrations- und Proteinmodellierungsprozess. Sie ermöglichten es einem Nicht-Biologen, mit modernen Werkzeugen zu arbeiten. Sie ersetzten aber nicht die etablierte Bioinformatik (pVACseq, MHC-Bindungsvorhersage) oder die wissenschaftliche Urteilskraft. Der Erfolg hing entscheidend davon ab, dass alle Komponenten – Sequenzierung, Filterung, Proteinmodellierung, Bioinformatik – in koordinierter Abfolge zusammengespielt haben.
Das Projekt erstreckte sich von 2024 bis Dezember 2025 und erforderte die koordinierte Zusammenarbeit zwischen Sequenzierungseinrichtungen, Bioinformatik, akademischen RNA-Syntheselaboren und veterinären Kliniken. Die Gesamtkosten werden auf mehrere zehntausend australische Dollar geschätzt. Die reine Entwicklungszeit von der Sequenzierungsanalyse bis zur fertiggestellten mRNA-Vakzine betrug weniger als zwei Monate. Die Therapie bestand nicht aus einer isolierten mRNA-Impfung, sondern aus einer biologisch rationalen Kombination mehrerer Wirkstoffe.
Der Primärtumor schrumpfte um etwa 75 Prozent, Rosies Lebensqualität verbesserte sich deutlich – eine größere Läsion an anderer Körperstelle blieb jedoch initial therapieresistent. Conyngham ließ daraufhin eine zweite Genomsequenzierung durchführen, um die Resistenzmechanismen zu verstehen.
Der Fall ist weder eine Wunderheilung noch ein KI-Durchbruch im engeren Sinne. Er ist ein instruktiver Proof-of-Concept für beschleunigte personalisierte Immuntherapie unter realen Bedingungen – mit klaren Erfolgen, aber ebenso klaren Grenzen. Die Machbarkeit wurde durch das australische regulatorische Umfeld ermöglicht, das veterinäre Studien deutlich leichter genehmigt als humane klinische Versuchsreihen.
Die Ausgangssituation: Eine aggressive und therapieresistente Erkrankung
Mastzelltumoren (MCT) zählen zu den häufigsten malignen Hauttumoren beim Hund. Hochgradige Varianten zeichnen sich durch rasches Wachstum, Metastasierungstendenz und häufige Therapieresistenz aus. Trotz chirurgischer Entfernung und adjuvanter Chemotherapie kam es bei Rosie zu erneutem Progress mit multiplen Läsionen.Die Prognose war ungünstig. An diesem Punkt entschied sich Conyngham, neue Wege zu gehen. Er verfügte über langjährige Erfahrung in Data Science und Machine Learning, jedoch über keine formale biomedizinische Ausbildung. Sein Ansatz war konsequent datengetrieben: Wenn Krebs eine genetische Erkrankung mit spezifischen Treibermutationen ist, müsste sich der individuelle Mutationscode therapeutisch nutzen lassen – insbesondere durch die Aktivierung des körpereigenen Immunsystems.
Schritt 1: Genomische Analyse – Die molekulare Signatur des Tumors
Im ersten Schritt ließ Conyngham sowohl gesunde Referenz-DNA (Blutprobe) als auch Tumor-DNA am Ramaciotti Centre for Genomics der University of New South Wales (UNSW) sequenzieren.Die Kosten für Whole-Genome-Sequenzierung und initiale Datenverarbeitung lagen bei rund 3.000 australischen Dollar (etwa 2.000 Euro). Die resultierende Rohdatenmenge betrug ungefähr 300 Gigabyte.
Durch den Vergleich von Normal- und Tumorgewebe wurden somatische Mutationen identifiziert – genetische Veränderungen, die ausschließlich in Rosies Tumorzellen vorhanden waren. Diese Mutationen könnten potenzielle Neoantigene darstellen: veränderte Proteinsequenzen, die das Immunsystem als fremd erkennen könnte, sofern sie auf der Zelloberfläche präsentiert werden.
Therapeutisch bedeutsam war die Identifikation einer aktivierenden c-KIT-Mutation – eine klassische Treibermutation, die der Tumorzelle einen Wachstumsvorteil verleiht. Diese Mutation führt zu konstitutiver (permanenter) Aktivierung der c-KIT-Tyrosinkinase, die ständig proliferative Signale sendet, ohne dass ein externes Aktivierungssignal notwendig ist. Dies machte die Mutation zu einem idealen Ziel für Tyrosinkinase-Inhibitoren, die diese aberrante Signalkaskade blockieren.
Schritt 2: Bioinformatische Zielauswahl und KI-gestützte Proteinmodellierung – Was KI wirklich leistete
In Medienberichten wurde der Fall häufig zugespitzt formuliert. Schlagzeilen lauteten sinngemäß:- "AI designed a cancer vaccine for a dying dog."
- "ChatGPT helped create a life-saving cancer shot."
- "Artificial intelligence built a custom cancer therapy in months."
ChatGPT (Wissensintegration): Conyngham nutzte ChatGPT, um sich systematisch in Literatur, Methodik und experimentellen Workflows einzuarbeiten. Das System half dabei, Fachliteratur zu strukturieren, immunologische Konzepte zu erklären, Sequenzierungsergebnisse zu interpretieren und einen schrittweisen experimentellen Protokoll zu entwickeln. ChatGPT fungierte als "Research-Partner" – es komprimierte Forschungszyklen durch schnelle Erkenntnisintegration, ersetzte aber nicht die grundlegende Fachdisziplin.
AlphaFold (Proteinstrukturvorhersage): Ein kritischer Schritt war die Vorhersage, welche 3D-Struktur die mutierten Proteine aus Rosies Tumor annehmen würden. Hier nutzte Conyngham DeepMind's AlphaFold 2, eine KI zur hochgenauen Proteinstrukturvorhersage. AlphaFold ermöglichte es, die 3D-Faltung der c-KIT-Mutante und anderer Neoantigen-Kandidaten zu modellieren – eine Aufgabe, die früher experimentelle X-ray-Kristallographie erfordert hätte.
pVACseq (Neoantigen-Vorhersage): Die Neoantigen-Vorhersage erfolgte mit dem etabliertem bioinformatischem Standard-Werkzeug pVACseq. Diese Software berechnet auf Basis der identifizierten Mutationen, welche Peptide mit hoher Wahrscheinlichkeit an Rosies individuelle Dog Leukocyte Antigen (DLA)-Moleküle binden. Nur solche Peptide kommen als Impfziel infrage – die Übereinstimmung mit dem individuellen MHC/DLA-Profil ist entscheidend für immunologische Reaktivität. pVACseq priorisierte sieben starke Neoantigen-Kandidaten.
Zusammenfassung: KI (ChatGPT und AlphaFold) beschleunigte und demokratisierte den Wissensintegrations- und Proteinmodellierungsprozess. Sie ermöglichten es einem Nicht-Biologen, mit modernen Werkzeugen zu arbeiten. Sie ersetzten aber nicht die etablierte Bioinformatik (pVACseq, MHC-Bindungsvorhersage) oder die wissenschaftliche Urteilskraft. Der Erfolg hing entscheidend davon ab, dass alle Komponenten – Sequenzierung, Filterung, Proteinmodellierung, Bioinformatik – in koordinierter Abfolge zusammengespielt haben.
Schritt 3: Herstellung der personalisierten mRNA
Aus den von pVACseq priorisierten Neoantigen-Sequenzen wurde ein mRNA-Konstrukt synthetisiert, das mehrere Zielantigene gleichzeitig kodierte. Die mRNA wurde durch das UNSW (University of New South Wales) RNA Institute unter strengen, GMP-ähnlichen Standards, hergestellt.Von der Finalisierung der Sequenzierungsdaten bis zur Fertigstellung der synthesesierten mRNA verstrich weniger als zwei Monate – eine beeindruckende Zeitspanne für ein individualisiertes Produkt.
Insgesamt werden die Kosten des Gesamtprojektes – inklusive Sequenzierung (~3.000 AUD), mRNA-Synthese, Analytik, veterinärer Betreuung und organisatorischer Koordination – auf mehrere zehntausend australische Dollar (schätzungsweise 15.000–30.000 AUD / 9.000–18.000 Euro) geschätzt.
Zum Vergleich: In industriellen klinischen Programmen für humane Patienten liegen die Entwicklungs- und Validierungskosten pro Patient im sechs- bis siebenstelligen Bereich. Rosies Fall war um mehrere Größenordnungen günstiger – möglich durch (1) akademische Unterstützung ohne kommerzielle Overhead, (2) Nutzung von Open-Source-Software und public-domain-Werkzeugen (AlphaFold), und (3) leichtere regulatorische Anforderungen im veterinären Setting.
4. Skalierbarkeit ist prinzipiell möglich – aber nicht trivial
Das technologische Fundament (Sequenzierung, Bioinformatik, RNA-Synthese, Immunologie) ist skalierbar. Die praktischen Hürden sind jedoch:
Insgesamt werden die Kosten des Gesamtprojektes – inklusive Sequenzierung (~3.000 AUD), mRNA-Synthese, Analytik, veterinärer Betreuung und organisatorischer Koordination – auf mehrere zehntausend australische Dollar (schätzungsweise 15.000–30.000 AUD / 9.000–18.000 Euro) geschätzt.
Zum Vergleich: In industriellen klinischen Programmen für humane Patienten liegen die Entwicklungs- und Validierungskosten pro Patient im sechs- bis siebenstelligen Bereich. Rosies Fall war um mehrere Größenordnungen günstiger – möglich durch (1) akademische Unterstützung ohne kommerzielle Overhead, (2) Nutzung von Open-Source-Software und public-domain-Werkzeugen (AlphaFold), und (3) leichtere regulatorische Anforderungen im veterinären Setting.
Letzterer Punkt ist wichtig: Veterinäre experimentelle Behandlungen in Australien unterliegen deutlich niedrigeren regulatorischen Hürden als humane klinische Studien.
Implikation: Der beobachtete Therapieeffekt kann nicht isoliert der mRNA zugeschrieben werden und sollte nicht als Beweis für die mRNA-Vakzine allein präsentiert werden.
Allerdings: Eine größere Läsion an anderer Körperstelle (möglicherweise metastatisch) zeigte nach der Impfung kein relevantes Ansprechen. Dieses Muster unterstreicht die subklonale Heterogenität von Tumoren: Nicht alle Tumorzellklone tragen dieselben Neoantigene, nicht alle reagieren gleich auf immunologischen oder pharmakologischen Druck. Es war auch zu erwarten, dass die Vakzine, die auf Mutationen aus dem primären Tumor gezielt war, nicht automatisch metastatische Loci mit anderen genomischen Profilen bekämpft.
Als Reaktion hierauf ließ Conyngham eine zweite Genomsequenzierung durchführen, um die Mutationssignatur der resistenten Läsion zu analysieren und eine zweite, angepasste Vakzine zu entwickeln. Dies demonstriert einen iterativen, adaptiven Therapieansatz – kein "one-shot" Wunder, sondern eine sich entwickelnde Strategie.
Es handelt sich also um einen partiellen, aber klinisch relevanten Therapieerfolg, nicht um Heilung im klassischen Sinne.
Genomsequenzierung, Open-Source-Bioinformatik (pVACseq, AlphaFold) und akademische mRNA-Synthese können in kurzer Zeit (Wochen bis wenige Monate) individualisierte Therapiekonzepte ermöglichen. Die Infrastruktur ist nicht der Engpass – die Engpässe sind regulatorischer, wirtschaftlicher und organisatorischer Natur.
2. KI war ein Beschleuniger – nicht der Erfinder
Die oft zitierte These "KI habe das Medikament entwickelt" ist irreführend. KI (ChatGPT, AlphaFold) komprimierte und demokratisierte den Forschungsprozess: Sie ermöglichten schnellere Wissensintegration und Proteinmodellierung. Sie ersetzten jedoch nicht die entscheidenden wissenschaftlichen Schritte – Sequenzierung, bioinformatische Filterung, mRNA-Synthese, klinische Verabreichung – und auch nicht die menschliche Urteilskraft und Erfahrung. Ohne diese Grundlagen hätte KI allein nichts ausgerichtet.
3. Kombinationstherapie ist wahrscheinlich entscheidend
Der beobachtete Erfolg beruhte auf einem multimodalen Ansatz. Die mRNA-Vakzine allein hätte im immunsuppressiven Tumormilieu vermutlich nicht ausgereicht. Die Kombination aus Neoantigen-Vakzine, Tyrosinkinase-Inhibitor und Checkpoint-Inhibition war biologisch rational und notwendig.
Warum die Therapie keine Monotherapie war
Ein zentraler Punkt wird in vielen Berichten unterschlagen: Rosie erhielt keine alleinige mRNA-Impfung, sondern eine rational konzipierte Kombinationstherapie aus drei synergistischen Komponenten:- mRNA-Neoantigen-Vakzine: Die Impfung mit dem Ziel der Aktivierung und Differenzierung tumorspezifischer CD8⁺-T-Lymphozyten gegen die identifizierten Neoepitope.
- Tyrosinkinase-Inhibitor (Masitinib) Mastzelltumoren weisen in etwa 25–30% der Fälle aktivierende Mutationen im c-KIT-Signalweg auf – genau wie bei Rosie. Masitinib ist ein selektiver Inhibitor der KIT-Tyrosinkinase und blockiert diesen konstitutiven Wachstumsimpuls direkt. Dies schwächt die proliferative Kraft des Tumors und reduziert die Tumormikroumgebung immunosuppression.
- PD-1-Checkpoint-Inhibition: Tumoren exprimieren häufig PD-L1, um aktivierte T-Zellen funktionell zu "deaktivieren". Die Blockade des PD-1-/PD-L1-Signalwegs verhindert diese "Immunbremse" und erlaubt den Immunzellen, ihre Effektorfunktion zu entfalten.
Implikation: Der beobachtete Therapieeffekt kann nicht isoliert der mRNA zugeschrieben werden und sollte nicht als Beweis für die mRNA-Vakzine allein präsentiert werden.
"Klinisches" Ergebnis
Nach Beginn der Kombinationstherapie im Dezember 2025 schrumpfte der Primärtumor am Unterschenkel innerhalb weniger Wochen um etwa 75 Prozent. Parallel verbesserte sich Rosies Allgemeinzustand messbar: gesteigerte Mobilität, normalisiertes Verhalten, erhöhte Aktivität. Im Dezember 2025 konnte Rosie kaum laufen, im Januar 2026, nur 6–8 Wochen später, sprang sie über einen Zaun im Hundepark.Allerdings: Eine größere Läsion an anderer Körperstelle (möglicherweise metastatisch) zeigte nach der Impfung kein relevantes Ansprechen. Dieses Muster unterstreicht die subklonale Heterogenität von Tumoren: Nicht alle Tumorzellklone tragen dieselben Neoantigene, nicht alle reagieren gleich auf immunologischen oder pharmakologischen Druck. Es war auch zu erwarten, dass die Vakzine, die auf Mutationen aus dem primären Tumor gezielt war, nicht automatisch metastatische Loci mit anderen genomischen Profilen bekämpft.
Als Reaktion hierauf ließ Conyngham eine zweite Genomsequenzierung durchführen, um die Mutationssignatur der resistenten Läsion zu analysieren und eine zweite, angepasste Vakzine zu entwickeln. Dies demonstriert einen iterativen, adaptiven Therapieansatz – kein "one-shot" Wunder, sondern eine sich entwickelnde Strategie.
Es handelt sich also um einen partiellen, aber klinisch relevanten Therapieerfolg, nicht um Heilung im klassischen Sinne.
Was dieser Fall wirklich zeigt
1. Beschleunigte Personalisierung ist technisch möglichGenomsequenzierung, Open-Source-Bioinformatik (pVACseq, AlphaFold) und akademische mRNA-Synthese können in kurzer Zeit (Wochen bis wenige Monate) individualisierte Therapiekonzepte ermöglichen. Die Infrastruktur ist nicht der Engpass – die Engpässe sind regulatorischer, wirtschaftlicher und organisatorischer Natur.
2. KI war ein Beschleuniger – nicht der Erfinder
Die oft zitierte These "KI habe das Medikament entwickelt" ist irreführend. KI (ChatGPT, AlphaFold) komprimierte und demokratisierte den Forschungsprozess: Sie ermöglichten schnellere Wissensintegration und Proteinmodellierung. Sie ersetzten jedoch nicht die entscheidenden wissenschaftlichen Schritte – Sequenzierung, bioinformatische Filterung, mRNA-Synthese, klinische Verabreichung – und auch nicht die menschliche Urteilskraft und Erfahrung. Ohne diese Grundlagen hätte KI allein nichts ausgerichtet.
3. Kombinationstherapie ist wahrscheinlich entscheidend
Der beobachtete Erfolg beruhte auf einem multimodalen Ansatz. Die mRNA-Vakzine allein hätte im immunsuppressiven Tumormilieu vermutlich nicht ausgereicht. Die Kombination aus Neoantigen-Vakzine, Tyrosinkinase-Inhibitor und Checkpoint-Inhibition war biologisch rational und notwendig.
4. Skalierbarkeit ist prinzipiell möglich – aber nicht trivial
Das technologische Fundament (Sequenzierung, Bioinformatik, RNA-Synthese, Immunologie) ist skalierbar. Die praktischen Hürden sind jedoch:
- Regulatorisch: Humane Studien erfordern strenge Genehmigungsverfahren (Institutional Review Boards, etc.). Rosies Fall war machbar, weil veterinäre Experimente leichtere Anforderungen haben.
- Wirtschaftlich: Großflächige mRNA-Produktion mit GMP-Standards erfordert bedeutende Kapitalinvestitionen.
- Organisatorisch: Die Koordination von Sequenzierungsunternehmen, Bioinformatikern, RNA-Instituten und Kliniken ist komplex.
Fazit
- Rosies Behandlung war weder ein KI-Wunder noch eine Wunderheilung. Sie war ein datengetriebener, akademisch unterstützter Therapieversuch mit rationaler biologischer Grundlage und iterativem Lernmodell.
- Der Primärtumor schrumpfte signifikant, die Lebensqualität verbesserte sich deutlich, doch die Erkrankung wurde nicht vollständig eliminiert und zeigte an anderen Stellen Resistenz.
- Was Rosie lehrt, ist nicht, dass KI Krebs gelöst hat, sondern dass intelligente Datennutzung, kombiniert mit grundsolider Biologie, die Geschwindigkeit personalisierter Therapie um Größenordnungen beschleunigen kann – unter der Bedingung, dass alle Komponenten (technologisch, regulatorisch, klinisch) zusammenspielen.
_____________________________________________________________________________
Verantwortlicher: Klaus Rudolf; Kommentare und Fragen bitte an: rudolfklausblog@gmail.com
Auf diesem Blog teile ich meine persönlichen Meinungen und Erfahrungen . Es ist wichtig zu betonen, dass ich weder Arzt noch Finanzberater bin. Jegliche Informationen, die ich in meinem Blog vorstelle, stellen weder Anlageempfehlungen noch Therapieempfehlungen dar. Für fundierte Entscheidungen in Bezug auf Gesundheitsfragen oder Finanzanlagen empfehle ich, sich umfassend zu informieren und bei Bedarf einen professionellen Experten zu konsultieren.
