Biologie ist das Fundament von Medizin, Pharmazie, öffentlicher Gesundheit und Langlebigkeitsforschung. Sie ist von Natur aus aber auch außerordentlich schwer zu handhaben. Lebende Systeme sind komplex, Experimente teuer und Eingriffe mit echten Risiken verbunden. Ein in Nature Medicine veröffentlichter Perspektivbericht schlägt einen Weg vor, diese Gleichung zu verändern: Er baut einen KI-gestützten digitalen Organismus – ein Rechensystem, das in der Lage ist, Biologie auf jeder Skala zu modellieren und zu simulieren, von einzelnen Molekülen bis hin zu ganzen Menschen.
Das ist keine Produktankündigung. Es ist eine Forschungsvision, und um zu verstehen, was sie vorschlägt und warum sie wichtig ist, muss man einen Schritt zurücktreten und über die Schlagzeile hinausblicken.
Biologie ist zu komplex, um frei mit ihr zu experimentieren
Das Kernproblem, das die Autoren identifizieren, ist unkompliziert. In der physischen Welt sträuben sich biologische Systeme gegen eine einfache Manipulation. Die Durchführung von Experimenten an lebenden Zellen, Geweben oder Organismen kostet Zeit und Geld und ist mit ethischen sowie sicherheitstechnischen Einschränkungen verbunden. Das schränkt ein, wie schnell Forschende Hypothesen testen, Wirkstoffkandidaten untersuchen oder Krankheitsmechanismen verstehen können.
Die vorgeschlagene Lösung ist ein Konzept namens KI-gestützter digitaler Organismus oder AIDO (AI-driven digital organism). Die Idee besteht darin, ein System aus integrierten, multiskaligen Foundation Models zu konstruieren – KI-Architekturen, die mit biologischen Daten auf verschiedenen Organisationsebenen trainiert wurden –, und diese auf modulare, ganzheitliche Weise zu verknüpfen, die widerspiegelt, wie Biologie tatsächlich funktioniert. Moleküle interagieren mit Zellen. Zellen bilden Gewebe. Gewebe machen Individuen aus. Ein AIDO würde all diese Ebenen modellieren und – was entscheidend ist – modellieren, wie sie miteinander verbunden sind.
Die Vision ist eine Plattform, die sicher, bezahlbar und zu Hochdurchsatz-Simulationen fähig ist. Forschende könnten Tausende von virtuellen Experimenten durchführen, die in einem Nasslabor unpraktikabel oder unmöglich wären, und diese Ergebnisse dann nutzen, um die physischen Experimente zu steuern, die tatsächlich durchgeführt werden.
Foundation Models, angewandt auf das Leben selbst
Das technische Rückgrat dieser Vision stützt sich auf eine Klasse von KI-Architekturen, die die Verarbeitung natürlicher Sprache und die Computer Vision bereits verändert haben: Foundation Models. Dabei handelt es sich um große Modelle, die auf riesigen Datensätzen vortrainiert wurden und an viele nachgelagerte Aufgaben angepasst werden können. Die Autoren verweisen auf eine Reihe bestehender Arbeiten, die diesen Ansatz auf biologische Daten anwenden.
Es existieren bereits mehrere Modelle für spezifische biologische Domänen. Werkzeuge wie der Nucleotide Transformer und HyenaDNA befassen sich mit genomischen Sequenzen. Evo erweitert die Sequenzmodellierung von der molekularen Ebene bis hin zur Genom-Skala. Auf der Seite der Proteine haben AlphaFold und AlphaFold 3, entwickelt von Forschenden bei DeepMind und veröffentlicht in Nature, eine hochpräzise Vorhersage von Proteinstrukturen und biomolekularen Interaktionen demonstriert. Modelle wie xTrimoPGLM, ein Transformer mit 100 Milliarden Parametern, wurden speziell entwickelt, um die Sprache der Proteine zu entschlüsseln. Auf zellulärer Ebene zielen Tools wie scGPT und scLong auf die Einzelzell-Transkriptomik ab, wobei scLong als ein Modell mit einer Milliarde Parametern beschrieben wird, das darauf ausgelegt ist, den weitreichenden Genkontext zu erfassen.
Was die AIDO-Vision vorschlägt, ist nicht der Bau eines weiteren spezialisierten Modells, sondern die Integration dieser Ebenen in ein kohärentes, vernetztes System. Die Autoren beschreiben dies als modular und verbindbar, was bedeutet, dass einzelne Komponenten unabhängig voneinander entwickelt und verbessert werden können, aber so konzipiert sind, dass sie miteinander kommunizieren. Dies spiegelt eine wichtige Erkenntnis wider: Biologie funktioniert nicht in isolierten Schichten, und eine nützliche Simulation der Biologie kann das auch nicht.
Die Forschungsgruppe hinter diesem Perspektivbericht ist mit GenBio AI mit Sitz in Palo Alto verbunden und umfasst die Forschenden Le Song, Eran Segal und Eric Xing.
Was es bedeuten würde, ein lebendes System zu simulieren
Das ist es, was die meiste Berichterstattung über KI in der Biologie übersieht. Das Ziel hierbei ist nicht, bestehende Experimente zu automatisieren. Es geht darum, eine völlig neue Art von wissenschaftlichem Instrument zu schaffen – eines, das eher in silico als im Labor funktioniert und das auf eine Weise abgefragt, programmiert und erforscht werden kann, wie es die physische Biologie nicht erlaubt.
Die Autoren beschreiben den AIDO als eine Plattform zur Vorhersage, Simulation und Programmierung von Biologie. Das letzte Wort ist bedeutsam. Programmieren bedeutet nicht nur, ein System zu verstehen, sondern in der Lage zu sein, gewünschte Verhaltensweisen vorzugeben und den Rückwärtsweg zu den Interventionen zu finden, die diese hervorbringen würden. In der Wirkstoffforschung könnte das bedeuten, Moleküle mit zielgerichteten Eigenschaften zu entwerfen. In der Medizin könnte es bedeuten zu modellieren, wie die Biologie eines bestimmten Patienten auf eine Behandlung reagieren könnte, bevor diese Behandlung verabreicht wird.
Die Autoren achten sorgfältig darauf, dies als Ergänzung zur physischen Experimentierung darzustellen, nicht als Ersatz dafür. Die Vision ist, dass ein AIDO eine besser gesteuerte Nasslaborarbeit und ein fundierteres logisches Denken von ersten Prinzipien aus auslöst. Forschende würden das digitale System nutzen, um den Raum der Möglichkeiten einzugrenzen, und dann die vielversprechendsten Kandidaten in der realen Welt testen.
Das ist auch außerhalb des Labors von Bedeutung. Wenn biologische Simulationen zuverlässig und zugänglich werden, verändert das die Ökonomie der Medikamentenentwicklung, die Geschwindigkeit von Reaktionen im Bereich der öffentlichen Gesundheit und die Tiefe des Verständnisses, das Forschende für komplexe Krankheiten aufbringen können.
Kurz gesagt
Ein KI-gestützter digitaler Organismus ist ein vorgeschlagenes System aus miteinander verbundenen KI-Modellen, von denen jedes auf einer anderen Ebene biologischer Daten trainiert wurde. Es soll das Leben von Molekülen bis hin zu ganzen Individuen simulieren. Das Ziel ist nicht, die physische Biologie zu ersetzen, sondern eine Rechenplattform zu schaffen, auf der Hypothesen sicher, billig und in großem Maßstab getestet werden können, wodurch physische Experimente gezielter und erfolgreicher werden. Die Bausteine – Foundation Models für Genomik, Proteine und Einzelzellen – existieren bereits. Die Herausforderung besteht nun in der Integration.
Basierend auf Berichten von Nature: Machine Learning.