Chemistry • Computer Science

Research report (imported) 2011 - Max Planck Institute for Dynamics of Complex Technical Systems

Zielgenaue Medikamentenlieferungen: Aggregation in Partikel-Zell-Systemen

Targeted drug delivery: Aggregation in particle-cell systems

Authors

Rollié, Sascha; Sundmacher, Kai

Departments

Physikalisch-Chemische Prozesstechnik
Max-Planck-Institut für Dynamik komplexer technischer Systeme, Magdeburg

Um die Effizienz von Medikamenten zu steigern, könnten zukünftig Trägerpartikel pharmazeutische Wirkstoffe zielgenau an kranke Zellen im Organismus liefern. Für ein besseres Verständnis dieser Targetingprozesse sind modellgestützte Simulationsstudien von großem Nutzen. Die Modellierung der biokolloidalen Systeme fußt auf theoretischen Grundlagen der Partikeltechnik. Ergebnis: Trotz signifikanter Streuung der experimentellen Daten wurden zentrale Einflussgrößen identifiziert. Es zeigt sich, dass Targetingprozesse wegen geringer Rezeptorkonzentration auf den Zielzellen ratenlimitiert verlaufen.
To increase the efficiency of medication, carrier particles could soon deliver pharmaceutical substance exclusively to special target cells in an organism. For an understanding of these targeting processes model-based simulation studies are very helpful. The modeling of the biocolloidal systems is based on foundations from particle technology. Result: Despite substantial scattering of the experimental data, central parameters were identified. It was found that most drug targeting processes are rate limited due to the low receptor concentration on the surface of the target cells.

Die gezielte Dosierung pharmazeutischer Wirkstoffe ist ein wichtiger Schritt, um die Nebenwirkungen von Medikamenten stark zu reduzieren. Die gängigste Methode, medizinische Substanzen zielgenau an kranke Zellen im Organismus heranzuführen, bedient sich nanoskaliger Trägerpartikel (Abb. 1). In diese Partikel, die vornehmlich aus organischen Materialien erzeugt werden, wird das Medikament zunächst eingeschlossen und erst durch ein spezielles Signal am Zielort freigesetzt.

<strong>Abb. 1:</strong> Schematische Darstellung eines Wirkstoffträgerpartikels. Gezeigt sind die <i>stealth</i> Beschichtung, die funktionelle Einhe Bild vergrößern
Abb. 1: Schematische Darstellung eines Wirkstoffträgerpartikels. Gezeigt sind die stealth Beschichtung, die funktionelle Einheit als Antikörper sowie ein kontrollierter Freisetzungsmechanismus. [weniger]

Darüber hinaus besitzen sie spezielle Beschichtungen, die zwei weitere wichtige Aufgaben erfüllen. Zum einen sollen die Partikel möglichst lange im Körper zirkulieren, um die kranken Zellen auch finden zu können. Dies wird meist durch eine polymere Schutzschicht erreicht, die die Nanopartikel biokompatibel (also unkenntlich für das Immunsystem) zu sogenannten stealth Partikeln macht. Andererseits müssen die Partikel auf ihrer Oberfläche maßgeschneiderte funktionale Einheiten anbieten. Sie gewährleisten eine spezifische Wechselwirkung mit besonderen Erkennungsmerkmalen auf den Oberflächen der Zielzellen und ermöglichen so eine bevorzugte Anlagerung an kranke Zellen. Oft werden in der Praxis Antikörper als funktionale Einheiten genutzt. Antikörper sind spezielle Proteine des Immunsystems, die nach dem Schlüssel-Schloss-Prinzip hochspezifisch an bestimmte Antigene als Rezeptoren auf Zelloberflächen andocken können. Für eine zielgenaue Medikamentenlieferung müssen kranke Zellen sich daher durch spezielle Antigene an ihrer Oberfläche von gesunden Zellen unterscheiden.

Simulationswerkzeuge für Targetingprozesse

In ihrer experimentellen Entwicklung sind die medizinischen Trägerpartikel schon weit fortgeschritten. Dagegen befindet sich eine fundierte theoretische Basis in Form von mathematischen Modellen noch in den Kinderschuhen. Doch gerade sie ließe auf ein besseres Verständnis des Targetingprozesses hoffen und könnte als wichtige Grundlage für weitere Optimierungen bezüglich Geschwindigkeit und Effizienz dienen. Besonders interessant sind daher theoretische Methoden, die die Dynamik der bevorzugten Partikelanlagerung auf der Ebene von Einzelzellpopulationen erfassen. Ein wichtiges Instrument stellen in diesem Zusammenhang Populationsbilanzgleichungen dar. Sie sind sehr gut geeignet, um verteilte Eigenschaften innerhalb einer dispersen Phase und ihre dynamische Entwicklung abzubilden [1]. So kann die Menge an Trägerpartikeln für kranke und gesunde Zellen zeitlich exakt bilanziert werden. Das komplexe Zusammenspiel mehrerer beteiligter Spezies erfordert für die detaillierte Prozessbetrachtung mehrdimensionale Populationsbilanzmodelle.

Das Targeting von Zielzellen durch Wirkstoffträgerpartikel kann abstrakt als Aggregationsprozess zwischen biologischen Partikelspezies interpretiert werden. Diese Analogie ermöglicht die Nutzung eines umfangreichen Methodenrepertoires aus der Partikel- und Dispergiertechnik. Dazu gehören auch Modelle aus der Kolloidwissenschaft, die die Kinetik der Partikelanlagerung maßgeblich bestimmen. Im Wesentlichen können die Aggregationsraten so auf zwei Faktoren zurückgeführt werden: die Kollisionsfrequenz und die Kollisionseffizienz. Die Kollisionsfrequenz misst die Anzahl binärer Partikelzusammenstöße auf der Basis von Diffusion im fluiden Medium, während die Kollisionseffizienz den Anteil der aggregatbildenden Stöße quantifiziert. Hierbei spielen physikalische Wechselwirkungen auf der Mikroskala zwischen zwei sich annähernden Partikeln eine entscheidende Rolle. Sie werden üblicherweise zusammen mit geometrischen Einflussgrößen in einem Stabilitätsverhältnis zusammengefasst. Das Stabilitätsverhältnis stellt in der Aggregationsforschung eine wichtige Kenngröße dar. Es beschreibt die Tendenz von suspendierten Partikeln miteinander zu aggregieren, indem es van-der-Waals Kräfte, elektrostatische Kräfte und weitere spezifische Wechselwirkungskräfte über ein Interaktionspotenzial berücksichtigt. Neben geometrischen Einflussgrößen sind es insbesondere die spezifischen Wechselwirkungen, welche den Unterschied zwischen der Aggregation in physikalischen Partikelsystemen und der bevorzugten Anlagerung von Trägerpartikeln auf Zelloberflächen ausmachen. Denn wie Experimente mittels Rasterkraftmikroskopie bereits gezeigt haben, existiert zwischen Antikörpern und Antigenen eine wesentlich stärkere Anziehungskraft als zwischen unterschiedlichen Partikeloberflächen [2].

Komplexe Aggregation in physikalischen Partikelsystemen

Aber auch in physikalischen Partikelsystemen können anziehende Kräfte wirken, wenn zum Beispiel die Oberflächenladung gegensätzlich ist. Wie bei einem Magneten ziehen sich dann Pluspol und Minuspol gegenseitig an. Dies führt zu einem Aggregationsprozess (Abb. 2), der über das Größenverhältnis der Partikelsorten und über das Mischungsverhältnis gesteuert werden kann.

<strong>Abb. 2:</strong> Zweistufiger Aggregationsprozess in binären physikalischen Partikelsystemen durch elektrostatische Destabilisation. Durchflus Bild vergrößern
Abb. 2: Zweistufiger Aggregationsprozess in binären physikalischen Partikelsystemen durch elektrostatische Destabilisation. Durchflusszytometrische Messungen ermöglichen eine exakte Quantifizierung der Dynamik. [weniger]

Simulationen mittels diskreten zweidimensionalen Populationsbilanzen zeigen deutlich, dass in Abhängigkeit dieser beiden Parameter unterschiedliche Verteilungen der Aggregatzusammensetzung auftreten [3]. So können elektrostatische Stabilisierungseffekte gezielt für die Einstellung einer bestimmten Aggregatzusammensetzung eingesetzt werden. Dieses Ergebnis konnte experimentell anhand fluoreszierender binärer sowie ternärer Partikelgemische bestätigt werden. Dazu wurde als Messtechnik die Durchflusszytometrie aus der biomedizinischen Forschung in die Partikeltechnik übertragen [4]. Mittels Detektion von Fluoreszenzsignalen kann die dynamische Veränderung der Aggregatzusammensetzung mit hoher zeitlicher Auflösung verfolgt werden.

Drug targeting als Aggregation im biokolloidalen System

Die Untersuchung physikalischer Partikelsysteme liefert ein wichtiges Fundament für die grundlagenorientierte Erforschung von Targetingprozessen in biokolloidalen Systemen. Der Prozess ist in Abbildung 3 schematisch dargestellt. Die wesentlichen Simulationsansätze bezüglich Populationsbilanz und Kinetik können auf Grundlage der getroffenen Analogie zwischen Targeting und Aggregation direkt auf biologische Systeme übertragen werden. Der Anpassungsbedarf beschränkt sich hauptsächlich auf das geometrische Modell zur Ermittlung des Bedeckungsgrades von Zellen mit funktionalisierten Partikeln sowie auf die oben erwähnten spezifischen Wechselwirkungskräfte [5].

<strong>Abb. 3:</strong> Bevorzugte Aggregation von Antikörpern auf U-937 Zielzellen in Mischung mit KARPAS-299 Zellen. Modellvorhersagen decken sich Bild vergrößern
Abb. 3: Bevorzugte Aggregation von Antikörpern auf U-937 Zielzellen in Mischung mit KARPAS-299 Zellen. Modellvorhersagen decken sich mit experimentellen Daten. [weniger]

Die Simulationsergebnisse weisen auf einen ratenlimitierten Targetingprozess hin. Dies bedeutet, dass ein Großteil der stattfindenden Kollisionen zwischen Trägerpartikeln und Zellen nicht zur erfolgreichen Aggregation führt, also die Kollisionseffizienz gering ist. Der Rezeptorkonzentration auf den Zelloberflächen kommt daher als Modellparameter eine entscheidende Rolle zu. Aufgrund des hohen Aufwands einer experimentellen Bestimmung, zum Beispiel durch rasterkraftmikroskopische Messungen [6], konnte dieser Parameter bislang nur grob abgeschätzt werden. Seine weitreichende Bedeutung für Targetingprozesse wird dennoch deutlich sichtbar. Im Allgemeinen besitzen Zellen nämlich viele Tausend Antigene auf ihrer Oberfläche, wovon aber nur ein kleiner Teil spezifische Wechselwirkungen mit dem verwendeten Antikörper zeigt. Ist der Bedeckungsgrad demnach klein, dominieren ungünstige Wechselwirkungen und der Aggregationsprozess verläuft langsamer im Vergleich zu einer hohen Antigenkonzentration auf den Zelloberflächen. Die Ratenlimitierung durch geringe Oberflächenkonzentration geeigneter Rezeptoren stellt also ein entscheidendes Nadelöhr für eine effiziente und zielgenaue Wirkstoffdosierung mittels Trägerpartikeln dar.

Validierung mit Antikörpern und Tumorzellen

Abschließend konnten die Simulationsstudien durch weitere Aggregationsexperimente unter Einsatz der Durchflusszytometrie validiert werden. Als Modellsystem diente dazu eine Mischung aus zwei unterschiedlichen Arten menschlicher Tumorzellen, nämlich KARPAS-299 und U-937 Zellen. Letztere zeichnen sich durch eine deutlich höhere Oberflächenkonzentration des CD13-Antigens aus (Abb. 3). Durch einen höheren Bindungsgrad von fluoreszenzmarkierten CD13-Antikörpern können sie daher als "kranke" Zellen von den "gesunden" KARPAS-299-Zellen unterschieden werden. Diese Technik kann später helfen, gefährliche Tumore von weniger gefährlichen zu trennen. Eine Erweiterung der Experimente auf funktionalisierte Trägerpartikel ist für die Untersuchung wesentlicher Prozesscharakteristika zunächst nicht nötig. Wie Abbildung 3 zeigt, bestätigen die Experimente im Allgemeinen den monoton sigmoidalen Anstieg der Antikörperbedeckung über die Versuchszeit bis zur vollständigen Rezeptorbedeckung [5]. Allerdings weisen sie im Vergleich zu physikalischen Partikelexperimenten deutlich größere Streuungen auf. Diese liegen vermutlich in einer stark streuenden Oberflächenkonzentration des CD13-Antigens begründet.

1.
D. Ramkrishna:
Population balances: Theory and applications to particulate systems in engineering.
2.
D. Leckband, J. Israelachvili, F.-J. Schmitt, W. Knoll:
Long-range attraction and molecular rearrangements in receptor-ligand interactions.
3.
S. Rollié, H. Briesen, K. Sundmacher:
Discrete bivariate population balance modelling of heteroaggregation processes.
4.
S. Rollié, K. Sundmacher:
Determination of cluster composition in heteroaggregation of binary particle systems by flow cytometry.
5.
S. Rollié, U. Lendeckel, M. Naumann, U. Reichl, K. Sundmacher:
Dynamics of bionanoparticle targeting in mixtures of human tumour cells by validated population balance modeling.
6.
L. Chtcheglova, J. Waschke, L. Wildling, D. Drenckhahn, P. Hinterdorfer:
Nano-scale dynamic recognition imaging on vascular endothelial cells.
 
loading content