Künstliche Intelligenz prägt die biologische Forschung seit Jahren, aber das Tempo dieses Wandels hat sich so stark beschleunigt, dass selbst die Wissenschaftler, die am dichtesten dran sind, sich überrascht zeigen. Nature Methods, eine der führenden Fachzeitschriften des Bereichs, hat nun eine zweite Sonderausgabe zu diesem Thema veröffentlicht, und das nur zwei Jahre nach der ersten. Allein dieses Zeitintervall besagt einiges, denn in den meisten wissenschaftlichen Disziplinen reicht die Zeit kaum aus, um eine einzige Studie zu replizieren. In der durch KI angetriebenen Biologie reicht sie aus, um ein umfassendes Update erforderlich zu machen.
KI schreibt die Werkzeuge der biologischen Forschung neu
Die Bandbreite der Bereiche, die mittlerweile von KI in der Biologie berührt werden, ist beeindruckend. Forscher, die in der Massenspektrometrie-basierten Proteomik arbeiten, also der Untersuchung von Proteinen im großen Maßstab, erforschen, wie KI zur Proteinsequenzanalyse, zu Proteinwechselwirkungen, zur räumlichen Proteomik und zu Perturbationsstudien beitragen kann. Die Ambitionen gehen noch weiter: Multi-Omics-Integration und die auf KI basierende Konstruktion virtueller Zellen gelten inzwischen als ernsthafte Forschungsrichtungen und nicht mehr als spekulative Zukunftsszenarien.
Die Mikroskopie ist ein weiterer Bereich, der rasche Veränderungen erlebt. KI-Techniken aus der Computer Vision werden auf die Super-Resolution-Mikroskopie angewendet, um Bildrekonstruktionsaufgaben wie Rauschunterdrückung, Low-Light-Verstärkung, Entschärfung von Unschärfe und Auflösungsverbesserung zu verbessern. Das Ziel besteht darin, aussagekräftige biologische Informationen im Nanomaßstab zu extrahieren, also in einem Bereich, in dem herkömmliche Bildgebungsmethoden an ihre Grenzen stoßen. Auch die Stammzellenforschung wird neu gestaltet, wobei KI-Architekturen die Bildanalyse verbessern, generative Modelle die Datenerweiterung ermöglichen und automatisierte Pipelines die manuelle Last für Forscher verringern.
Die vielleicht konzeptionell ambitionierteste Anwendung, die in der Ausgabe diskutiert wird, ist die Idee virtueller Embryonen, also vollständig digitaler Rekonstruktionen des Prozesses der Embryogenese, die darauf ausgelegt sind, die komplexen, mehrskaligen Dynamiken zu erfassen, wie sich ein Organismus aus einer einzigen Zelle entwickelt. Dies ist keine Metapher. Forscher arbeiten auf Rechensysteme hin, die die Entwicklungsbiologie in ihrer vollen Komplexität modellieren.
Praktische Werkzeuge, gebaut von Nicht-Ingenieuren
Neben diesen groß angelegten wissenschaftlichen Ambitionen hebt die Ausgabe etwas hervor, das unmittelbarer praktisch ist: KI beginnt zu verändern, wer wissenschaftliche Software erstellen kann und wie schnell das geht.
Ein Beitrag von Nelson Medina und Joergen Kornfeld beschreibt, wie Large Language Models verwendet werden können, um maßgeschneiderte Softwarewerkzeuge für wissenschaftliche Anwendungen zu generieren, ohne dass dafür dedizierte Softwareingenieure erforderlich sind. Ihr Beispiel ist MOSS (Microscopy Oriented Segmentation with Supervision), ein Segmentierungswerkzeug, das von einem einzigen Forscher mit begrenzter Erfahrung in der Softwareentwicklung innerhalb weniger Wochen fertiggestellt wurde. Hier lohnt es sich, kurz innehalten. Die Entwicklung wissenschaftlicher Software war historisch gesehen ein Engpass, der entweder die Zusammenarbeit mit Ingenieuren oder jahrelanges autodidaktisches Programmieren erforderte. Der Hinweis hier lautet, dass diese Barriere sinkt.
Ein separater Beitrag von Henry Pinkard und Nils Norlin wirft eine andere praktische Möglichkeit auf. Wissenschaftliche Instrumente generieren routinemäßig Befehle, Daten und Metadaten, die normalerweise verworfen werden. Diese Forscher argumentieren, dass dieser übersehene Datenstrom genutzt werden könnte, um KI-Systeme zu trainieren, damit sie Experimente autonom auf hohem Niveau durchführen. Der Haken, und das ist ein signifikanter, besteht darin, dass die Realisierung dieses Potenzials ein Umdenken darüber erfordert, welche Daten gespeichert werden und welche Mechanismen zur Qualitätskontrolle und menschlichen Überwachung vorhanden sein müssen. Die Daten sind da. Die Infrastruktur, um sie verantwortungsvoll zu nutzen, existiert noch nicht.
Was das jenseits des Labors bedeutet
Hier ist, was die meiste Berichterstattung über KI in der Biologie übersieht: Die wissenschaftliche Gemeinschaft übernimmt nicht einfach nur ein neues Werkzeug. Sie ringt mit einem Wandel in der Art und Weise, wie Wissenschaft selbst praktiziert, validiert und kommuniziert wird.
Nature Methods äußert sich dazu unmissverständlich. Da sich KI-Modelle in biologischen Bereichen rasant vermehren, wird das Fehlen robuster Gemeinschaftsstandards zur Bewertung ihrer Leistung, Reproduzierbarkeit und Nachhaltigkeit zu einem echten Problem. Foundation Models, also groß angelegte maschinelle Lernsysteme, die auf breiten, heterogenen Datensätzen trainiert wurden und mehrere Domänen umfassen, gewinnen in der Biologie an Boden. Rigorose Methoden zur Bewertung ihrer tatsächlichen Fähigkeiten fehlen jedoch nach wie vor. Die Forscher Julio Saez-Rodriguez, Gustavo Stolovitzky und Kollegen haben diese Lücken untersucht und Richtlinien für aussagekräftigere Evaluierungen vorgeschlagen. Ein separater Beitrag befasst sich mit der Bedeutung offener und nachhaltiger KI in der biowissenschaftlichen Forschung.
Die redaktionelle Position der Zeitschrift ist klar: Transparenz ist nicht optional. Neue KI-Methoden sind nur so nützlich, wie sie vertrauenswürdig sind. Gemeinschafts-Benchmarks sind erforderlich, um zu bewerten, ob neue Werkzeuge echte Fortschritte darstellen oder einfach nur beeindruckend klingende Ergebnisse liefern.
Es gibt auch einen grundlegenden Punkt, der hervorgehoben zu werden verdient. KI-Systeme in der Biologie sind vollständig von hochwertigen experimentellen Daten für das Training abhängig. Keine noch so große algorithmische Raffinesse kompensiert schlechte oder unzureichende Daten. Die Forscher, Repositorys und die Infrastruktur, die biologische Daten generieren und hosten, sind nicht zweitrangig für die KI-Geschichte. Sie sind ihre Voraussetzung. Sicherzustellen, dass diese Ressourcen weiterhin unterstützt werden, ist kein bürokratisches Anliegen. Es ist ein wissenschaftliches.
Kurz gesagt
KI hat sich von einer vielversprechenden Ergänzung der biologischen Forschung zu etwas gewandelt, das eher einem strukturellen Merkmal derselben gleicht. Virtuelle Zellen, durch KI gebaute Mikroskopiewerkzeuge, ohne Ingenieure generierte Software und Instrumente, die eines Tages ihre eigenen Experimente durchführen könnten: Dies sind keine fernen Möglichkeiten. Es sind aktive Forschungsrichtungen, die in einer führenden peer-reviewed Fachzeitschrift dokumentiert sind. Die Herausforderung besteht jetzt nicht in der Einführung. Sie besteht in der Governance: dem Aufbau von Standards, Benchmarks und Überwachungsmechanismen, die es ermöglichen, diesen Werkzeugen zu vertrauen, sie zu reproduzieren und fair zu bewerten.
Basierend auf Berichten von Nature: Machine Learning.