Schnelleres Finden von Kryoprotektanten: Bayesian-Optimierung beschleunigt die Suche

In einem bahnbrechenden Ansatz kombinieren Wissenschaftler hochdurchsatz‑Screening mit einer aktiven Lernschleife, die auf Multi‑Objective Bayesian Optimization basiert. Dadurch wird die Entwicklung von Kryoprotektant‑Cocktails für die Vitrifikation deutlich effizienter.

Die Formulierung von Kryoprotektanten ist ein Balanceakt: Die Lösung muss stark genug sein, um Eisbildung zu verhindern, aber gleichzeitig nicht so toxisch, dass die Zellen geschädigt werden. Dieser Kompromiss erzeugt einen riesigen, mehrdimensionalen Designraum, in dem herkömmliche Entdeckungswege langsam und oft von Expertenintuition abhängig sind.

Der neue Rahmen beginnt mit einer kleinen Anzahl gemessener Cocktails. Aus diesen Daten werden probabilistische Ersatzmodelle trainiert, die sowohl die Konzentration als auch die Zellviabilität vorhersagen und Unsicherheiten quantifizieren. Anschließend wählt das System iterativ die nächsten Experimente aus, indem es Cocktails priorisiert, die voraussichtlich die Pareto‑Front verbessern – also gleichzeitig höhere Konzentrationen und höhere Überlebensraten ermöglichen. Mit jedem neuen Experiment werden die Modelle aktualisiert, wodurch die Suche kontinuierlich optimiert wird.

Laborversuche bestätigen, dass dieser Ansatz schnell Cocktails findet, die sowohl hohe Kryoprotektantkonzentrationen als auch hohe Zellviabilität nach der Exposition erreichen. Im Vergleich zu einer naiven Strategie und einem starken Baseline-Ansatz verbessert die Methode den dominierten Hypervolumenwert um 9,5 % bzw. 4,5 % und reduziert gleichzeitig die benötigte Anzahl an Experimenten. Ergänzende synthetische Studien zeigen, dass die Methode vergleichbare Pareto‑optimale Lösungen mit nur 30 % der Aufwände des bisherigen Stand‑der‑Kunst-Ansatzes erzielt.