KI entdeckt eine allen Coronaviren gemeinsame Schwachstelle – und verwandelt sie in einen Impfstoffkandidaten

Im Frühjahr 2026 gab ein Forschungsteam der University of Cambridge die Ergebnisse einer klinischen Phase-I-Studie zu einem experimentellen Pan-Coronavirus-Impfstoff bekannt – einem Kandidaten, der nicht auf einen einzelnen SARS-CoV-2-Stamm abzielt, sondern eine Immunantwort gegen ein strukturelles Merkmal hervorrufen soll, das allen bekannten Coronaviren gemeinsam ist. Die Studie umfasste 96 gesunde Erwachsene im UK und diente vorrangig der Bewertung von Sicherheit und optimaler Dosierung. Sie war nicht darauf ausgelegt, einen Schutz vor einer Infektion zu messen. Diese Unterscheidung ist wichtig – und genau hier waren viele frühe Berichte unpräzise.

Der Kandidat erreichte seinen primären Endpunkt: Es wurden keine schwerwiegenden unerwünschten Ereignisse verzeichnet, und alle Teilnehmer entwickelten messbare Antikörperantworten gegen das Zielantigen. Phase-I-Daten sagen uns nicht, ob diese Antikörper in der realen Welt vor Krankheit schützen. Was sie jedoch belegen, ist, dass der Impfstoff sicher genug ist, um in größeren Studien weitergeführt zu werden – und dass der KI-gestützte Designprozess ein Antigen hervorgebracht hat, das das menschliche Immunsystem erkennen und darauf reagieren kann.

Das Problem mit stammspezifischen Impfstoffen

Alle derzeit zugelassenen COVID-19-Impfstoffe zielen auf das Spike-Protein von SARS-CoV-2 ab – genauer gesagt auf die Rezeptorbindungsdomäne (RBD), die Region, die das Virus zum Eindringen in menschliche Zellen nutzt. Das war eine sinnvolle Designentscheidung: Das Spike-Protein ist hoch immunogen, und die RBD ist für die Infektion essenziell. Das Problem ist, dass das Spike-Protein schnell mutiert. Die Varianten, die die aufeinanderfolgenden Wellen auslösten – Alpha, Delta, Omicron und seine Nachkommen – trugen alle Mutationen in der RBD, die der Immunität durch frühere Impfstoffe oder vorherige Infektionen teilweise entgingen. Die Hersteller haben die Impfstoffsequenzen wiederholt aktualisiert, um dem vorherrschenden zirkulierenden Stamm zu folgen – in einem Prozess, der der jährlichen Aktualisierung des Grippeimpfstoffs ähnelt.

Das tiefere Problem ist, dass die Coronavirus-Familie groß ist. SARS-CoV-2 ist eines von sieben Coronaviren, die bekanntermaßen Menschen infizieren. MERS-CoV, das Middle East Respiratory Syndrome verursacht, hat eine Fallsterblichkeitsrate von rund 35 Prozent und zirkuliert in Kamelpopulationen auf der Arabischen Halbinsel und in Teilen Afrikas. Es gibt Hunderte von Fledermaus-Coronaviren, von denen mehrere bereits im Labor die Fähigkeit gezeigt haben, menschliche Zellen zu infizieren. Ein stammspezifischer Impfstoff gegen SARS-CoV-2 bietet keinen Kreuzschutz gegen eines dieser Viren.

Wie KI im Designprozess eingesetzt wurde

Der Ansatz des Cambridge-Teams begann mit einer Frage, die die bisherige Impfstoffforschung im großen Maßstab nicht rechnerisch beantworten konnte: Gibt es über die gesamte Diversität der Coronaviren hinweg strukturelle Regionen, die sich nicht verändern – und wenn ja, kann ein Antigen so designt werden, dass das Immunsystem genau diese Regionen angreift?

Drei KI-Methoden wurden nacheinander angewandt.

AlphaFold zur Strukturvorhersage. Das Team nutzte AlphaFold 3, um die dreidimensionale Struktur von Proteinen aus Dutzenden von Coronavirus-Stämmen vorherzusagen – einschließlich Stämmen, für die keine experimentelle Kristallstruktur existierte. AlphaFolds Fähigkeit, Proteinfaltung allein aus der Aminosäuresequenz vorherzusagen, bedeutete, dass strukturell konservierte Regionen identifiziert werden konnten, ohne die Jahre an Nasslaborarbeit, die zuvor zur experimentellen Bestimmung jeder Struktur erforderlich waren. Die Forscher identifizierten ein Segment des Fusionspeptids – einer Region, die das Virus nutzt, um seine Membran mit der einer Wirtszelle zu verschmelzen – das bei allen analysierten Coronaviren eine nahezu identische Geometrie aufwies.

ML-basiertes Epitop-Mapping. Machine Learning Modelle, die auf Immunogenitätsdatenbanken trainiert wurden, wurden eingesetzt, um zu identifizieren, welche Subregionen des konservierten Struktursegments am wahrscheinlichsten von menschlichen T-Zellen und B-Zellen erkannt werden – den Komponenten der adaptiven Immunität, die für einen langanhaltenden Schutz verantwortlich sind. Dieser Schritt filterte konservierte Regionen heraus, die zwar strukturell stabil, aber unwahrscheinlich eine robuste Immunantwort hervorrufen würden, und markierte diejenigen, die am ehesten echte Epitope sind: spezifische molekulare Ziele, die das Immunsystem lernen kann anzugreifen.

Generatives Antigen-Design. Anstatt die natürlich vorkommende Peptidsequenz als Impfstoffantigen zu verwenden, wandte das Team ein generatives ML-Modell an, um die Antigenoberfläche neu zu gestalten, während die dreidimensionale Form und die wichtigsten Epitopreste erhalten blieben. Ziel war es, das Antigen immunogener zu machen – für das Immunsystem sichtbarer – als die native virale Sequenz, die Coronaviren teilweise entwickelt haben, um sich zu verbergen. Dieser Prozess produzierte mehrere Kandidaten-Antigensequenzen, die zunächst in Mausmodellen getestet wurden, bevor der Hauptkandidat für die Humanstudien ausgewählt wurde.

Was "Pan-Coronavirus" in der Praxis bedeutet

Ein Pan-Coronavirus-Impfstoff zielt auf konservierte Regionen ab – Teile von viralen Proteinen, die nicht mutieren können, ohne die Funktionsfähigkeit des Virus zu zerstören. Die Fusionspeptidregion, auf die sich das Cambridge-Team konzentrierte, ist konserviert, weil sie eine mechanisch entscheidende Rolle bei der Infektion spielt: Sie dringt in die Wirtszellmembran ein, um die Membranfusion zu initiieren. Ein Virus, das diese Region mutiert, würde die Fähigkeit verlieren, Zellen zu infizieren, und könnte nicht überleben, um sich zu replizieren. Die Evolution hat diese Sequenz in der gesamten Coronavirus-Familie fixiert – genau das macht sie zu einem attraktiven Impfstoffziel.

"Pan-Coronavirus" bedeutet nicht, dass der Impfstoff garantiert gegen alle Coronaviren unter allen Umständen wirkt. Es bedeutet, dass die von ihm ausgelöste Immunantwort auf ein Ziel gerichtet ist, das strukturell in allen bekannten Coronaviren vorhanden ist – wenn diese Immunantwort also wirksam ist, würde sie prinzipiell Kreuzschutz innerhalb der Familie bieten. Die Phase-I-Studie bestätigte, dass das Immunsystem eine Reaktion gegen das Ziel aufbaut. Ob diese Reaktion in einen klinischen Schutz gegen SARS-CoV-2, MERS-CoV oder ein hypothetisches zukünftiges zoonotisches Coronavirus übersetzt, sollen Phase-II- und Phase-III-Studien klären.

Phase-I-Studie: Was gemessen wurde und was festgestellt wurde

Die UK-Studie umfasste 96 gesunde Erwachsene im Alter von 18 bis 65 Jahren in drei Dosiskohorten. Die Teilnehmer erhielten zwei intramuskuläre Injektionen im Abstand von 28 Tagen. Die primären Endpunkte waren Sicherheit – unerwünschte Ereignisse, Laboranomalien, jedes schwerwiegende unerwünschte Ereignis innerhalb von 90 Tagen – sowie Reaktogenität: lokale Reaktionen an der Injektionsstelle und systemische Symptome wie Fieber, Müdigkeit und Kopfschmerzen. Sekundäre Endpunkte maßen die Immunogenität: Serum-Antikörpertiter gegen das Zielantigen und neutralisierende Aktivität gegen Pseudovirusmodelle mehrerer Coronavirus-Stämme.

Die Ergebnisse: In keiner Kohorte wurden schwerwiegende unerwünschte Ereignisse verzeichnet. Die Reaktogenität lag auf dem Niveau anderer Protein-Subunit-Impfstoffe – Schmerzen an der Injektionsstelle und leichte Müdigkeit waren die häufigsten Reaktionen, die typischerweise innerhalb von 48 Stunden abklangen. Alle Teilnehmer serokonvertierten, d.h. alle entwickelten nachweisbare Antikörperantworten. In der Kohorte mit der höchsten Dosis beobachteten die Forscher kreuzreaktive neutralisierende Antikörper gegen Pseudovirusmodelle von SARS-CoV-2 (Wuhan-Stamm und die neueste Omicron-Subvariante), SARS-CoV-1 und MERS-CoV. Die Höhe der neutralisierenden Reaktionen war niedriger als diejenigen, die nach einer natürlichen SARS-CoV-2-Infektion oder mit aktuellen mRNA-Impfstoffen beobachtet wurden, was die Forscher darauf zurückführen, dass das Immunsystem zuvor weniger Kontakt mit diesem neuartigen Zielantigen hatte.

Dies sind vielversprechende Immunogenitätsergebnisse für eine First-in-Human-Studie, aber sie sind keine Wirksamkeitsdaten. Eine neutralisierende Antikörperreaktion in einem Laborassay übersetzt sich nicht automatisch in klinischen Schutz. Dieser Zusammenhang muss in größeren Studien mit tatsächlichen Infektionsendpunkten nachgewiesen werden.

Der Weg zur Zulassung

Phase-II-Studien, die voraussichtlich Ende 2026 beginnen, vorbehaltlich der behördlichen Prüfung durch die britische Medicines and Healthcare products Regulatory Agency (MHRA), werden mehrere hundert Teilnehmer über breitere Altersgruppen hinweg einschließen – darunter ältere Erwachsene, bei denen sich Immunantworten typischerweise unterscheiden – und beginnen, die Immunogenität gegen zirkulierende Coronavirus-Stämme in einer größeren und diverseren Population zu bewerten. Phase II wird auch die Sicherheitsüberwachung über einen längeren Nachbeobachtungszeitraum ausdehnen.

Phase III – die entscheidende Wirksamkeitsstudie – würde Zehntausende von Teilnehmern und genügend zirkulierendes Coronavirus erfordern, um einen Schutz vor Infektion oder schwerer Erkrankung zu messen. Die statistischen Anforderungen für eine Phase-III-Studie bedeuten, dass sie unter einem optimistischen Zeitplan wahrscheinlich nicht vor 2029 abgeschlossen sein wird. Die behördliche Zulassung durch FDA, EMA oder die WHO-Prequalifikation für den globalen Einsatz würde folgen und zusätzliche Zeit in Anspruch nehmen. Die Herausforderung des Manufacturing Scale-up ist erheblich: Das von Cambridge verwendete Format des adjuvantierten Protein-Subunit-Impfstoffs ist im Maßstab komplexer herzustellen als mRNA-Impfstoffe, obwohl es den Vorteil hat, keine Ultra-Cold-Storage zu benötigen.

KI als Infrastruktur für die Impfstoffentwicklung

Das Cambridge-Pan-Coronavirus-Projekt ist eines von mehreren, die einen strukturellen Wandel in der Art und Weise veranschaulichen, wie Impfstoffe designt werden. Die öffentliche Freigabe von AlphaFold im Jahr 2021 beseitigte einen großen Engpass – die Proteinstrukturbestimmung – in den frühen Phasen des Impfstoffantigen-Designs. Was zuvor Jahre der Röntgenkristallographie oder Kryo-Elektronenmikroskopie erforderte, kann jetzt in Stunden berechnet werden. Diese Kompression beschleunigt keine klinischen Studien, die durch biologische und regulatorische Anforderungen bestimmt werden, die nicht verkürzt werden können. Sie reduziert jedoch drastisch die Zeit zwischen "Ein Ziel identifizieren" und "Einen testbaren Antigenkandidaten haben."

Die in dieser Arbeit angewandten generativen Antigen-Designmethoden reifen noch. Die Modelle wurden hauptsächlich auf Daten von gut untersuchten Proteinfamilien trainiert; ihre Zuverlässigkeit für neuartige virale Ziele hängt davon ab, wie gut diese Ziele der Trainingsverteilung ähneln. Das Feld kämpft auch damit, wie KI-generierte Antigene validiert werden können – die Laborassays für Immunogenität sind dieselben wie zuvor, und sie bleiben nach der Computational-Design-Phase der Engpass.

Was sich geändert hat, ist der Hypothesenraum, den Forscher erkunden können. Ein Team, das zuvor vielleicht fünf bis zehn Antigenkandidaten vor der präklinischen Testung evaluierte, kann jetzt Tausende von Designvarianten rechnerisch screenen und die leistungsfähigsten Handvoll ins Labor mitnehmen. Wenn auch nur ein Bruchteil der resultierenden Kandidaten in Humanstudien mit der Rate erfolgreich ist, die die Cambridge-Pan-Coronavirus-Arbeit als möglich erscheinen lässt, könnte die Pipeline von der Virusentdeckung bis zur Phase-I-Studie – die für die ersten COVID-19-Impfstoffe unter Notfallbedingungen etwa 18 Monate dauerte – für zukünftige Pandemiebedrohungen in unter einem Jahr erreichbar sein. Das ist keine Garantie, dass die Wissenschaft diesen Zeitplan einhält. Es ist ein Grund, die Phase-II-Ergebnisse genau zu verfolgen.