Googles KI-Co-Wissenschaftler löst Rätsel in Biologie

Die künstliche Intelligenz von Google, bekannt als AI Co-Scientist, hat in zwei bahnbrechenden Studien bewiesen, dass sie als echter Partner in der wissenschaftlichen Entdeckung fungieren kann, indem sie neue Medikamentenkandidaten gegen Leberfibrose identifiziert und einen komplexen Mechanismus des bakteriellen Gentransfers aufklärt, der menschliche Forscher ein ganzes Jahrzehnt lang beschäftigte. Dieses auf Gemini 2.0 basierende Multi-Agent-System beschleunigt die biomedizinische Forschung erheblich, indem es testbare Hypothesen generiert, die menschliche Expertise nicht nur ergänzen, sondern in manchen Fällen sogar übertreffen.

Funktionsweise des Google AI Co-Scientist

Der AI Co-Scientist ist kein einzelnes Modell, sondern ein ausgeklügeltes Multi-Agent-System, das den iterativen Prozess der wissenschaftlichen Methode nachbildet. Verschiedene spezialisierte Agenten übernehmen jeweils klar definierte Rollen im Forschungsprozess. Der Generation Agent durchforstet umfangreiche wissenschaftliche Literaturdatenbanken und simuliert interne Debatten, um erste Hypothesen zu entwickeln. Der Reflection Agent agiert wie ein kritischer Peer-Reviewer und prüft jede Idee auf wissenschaftliche Qualität, Neuheit und Plausibilität.

Ein Ranking Agent ordnet die Vorschläge mithilfe eines Elo-basierten Turniersystems, ähnlich wie bei Schachranglisten, nach ihrer Erfolgsaussicht. Der Evolution Agent verfeinert die besten Ideen weiter, indem er Konzepte aus unterschiedlichen Bereichen kombiniert oder unkonventionelle Denkansätze verfolgt. Ein Meta-review Agent analysiert kontinuierlich das Zusammenspiel aller Agenten und optimiert deren Leistung im Laufe der Zeit.

Das gesamte System arbeitet im sogenannten Scientist-in-the-Loop-Modus, bei dem menschliche Experten die Forschungsziele vorgeben, Feedback in natürlicher Sprache einbringen und die KI gezielt lenken. Präzise formulierte Prompts sind entscheidend: Ein Beispiel wäre die Vorgabe „Erkunde epigenetische Mechanismen in der Leberfibrose unter Verwendung humaner hepatischer Organoide“. Iterative Interaktion verbessert die Ergebnisse erheblich, da die KI lernt, die Fragestellung immer genauer zu verstehen.

KI entdeckt vielversprechende Medikamente gegen Leberfibrose

Leberfibrose ist eine fortschreitende Erkrankung, bei der übermäßige Narbenbildung die Leberfunktion beeinträchtigt. Aktuelle Therapieoptionen sind stark eingeschränkt, da bestehende Tiermodelle die menschliche Pathologie nur unzureichend widerspiegeln. Ein Forschungsteam der Stanford University bat den AI Co-Scientist, neue therapeutische Ansätze auf Basis epigenetischer Regulation zu entwickeln.

Die KI analysierte Tausende Publikationen und schlug drei vielversprechende Zielklassen vor: Histon-Deacetylasen (HDACs), DNA-Methyltransferase 1 (DNMT1) und Bromodomain-Protein 4 (BRD4). Sie lieferte zudem detaillierte experimentelle Protokolle, darunter die Anwendung von Single-Cell-RNA-Sequenzierung, um die Wirkung auf verschiedene Zellpopulationen zu verfolgen.

Die Vorschläge wurden in einem innovativen Modellsystem getestet: humane hepatische Organoide, dreidimensionale Zellkulturen aus Stammzellen, die wesentliche Merkmale der menschlichen Leber nachbilden. Nach Exposition mit TGF-beta, einem bekannten Fibrose-Auslöser, wurden die KI-empfohlenen Substanzen eingesetzt. HDAC- und BRD4-Inhibitoren zeigten starke antifibrotische Effekte. Besonders auffällig war Vorinostat, ein bereits FDA-zugelassenes Krebsmedikament, das nicht nur die Narbenbildung unterdrückte, sondern auch die Regeneration gesunder Leberzellen förderte.

Zum Vergleich wählten die Forscher zwei etablierte Zielstrukturen aus der Literatur, die auf zahlreichen Publikationen basierten. Beide versagten im Organoid-Modell vollständig. Eine PubMed-Recherche ergab über 180.000 Arbeiten zur Leberfibrose, aber nur zwei relevante Studien zu Vorinostat in diesem Kontext. Die KI hatte einen unterschätzten Wirkstoff entdeckt, den menschliche Experten trotz intensiver Literaturrecherche übersehen hatten.

Aktuelle Forschungen prüfen nun, ob Vorinostat auch etablierte Fibrose reduzieren kann. Kooperationen mit Pharmaunternehmen zur klinischen Erprobung als Antifibrotikum sind in Planung.

KI löst ein Jahrzehnte altes bakterielles Rätsel in wenigen Tagen

Ein Team des Imperial College London untersuchte sogenannte capsid-forming phage-inducible chromosomal islands, kurz cf-PICIs. Diese mobilen genetischen Elemente kommen identisch in völlig unterschiedlichen Bakterienspezies vor, obwohl die sie nutzenden Phagen normalerweise nur eine einzige Wirtsart infizieren. Die Lösung dieses Rätsels erforderte über zehn Jahre aufwendiger Experimente.

Die Forscher entdeckten einen neuartigen Mechanismus namens Tail Piracy: cf-PICIs bilden eigene DNA-gefüllte Kapside, besitzen aber keine Schwänze. Sie geben taillose Partikel frei, die dann Schwänze von Phagen völlig anderer Spezifität kapern und so chimäre infektiöse Partikel bilden. Dadurch können sie artübergreifend übertragen werden.

Für den KI-Test erhielt der AI Co-Scientist ausschließlich öffentlich zugängliche Daten vor der Veröffentlichung der Entdeckung. Innerhalb weniger Tage generierte er fünf Hypothesen. Die beste beschrieb Capsid-Schwanz-Interaktionen als Schlüssel für die breite Wirtsrange – nahezu identisch mit der experimentell bestätigten Tail-Piracy. Andere führende Sprachmodelle scheiterten an dieser Aufgabe. Die KI umging menschliche Vorurteile und lieferte in Tagen, wofür Experten Jahre brauchten.

Grenzen und Zukunftsperspektiven der KI in der Wissenschaft

Trotz beeindruckender Ergebnisse bleibt der AI Co-Scientist auf spezifische Fragestellungen beschränkt. Eine Generalisierung auf andere Disziplinen steht noch aus. Die Qualität der Hypothesen hängt stark von der Vollständigkeit und Unvoreingenommenheit der Trainingsdaten ab.

Menschliche Expertise bleibt unverzichtbar. Nur erfahrene Wissenschaftler können entscheiden, welche der zahlreichen KI-Vorschläge experimentell verfolgt werden sollten. Die Priorisierung ist herausfordernd, da Laborexperimente zeit- und kostenintensiv sind.

Zukünftig könnte die KI in Grant-Anträge integriert werden, um innovative Ansätze zu begründen. Sie eignet sich hervorragend für Drug-Repurposing, genetische Analysen und die Erschließung vernachlässigter Forschungsfelder. Der Bereich entwickelt sich rasant – der AI Co-Scientist gilt derzeit als führend, wird aber bald Konkurrenz bekommen.

Praktische Anwendung für Forscher

Um optimale Ergebnisse zu erzielen, sollten Prompts klar strukturiert sein: Domäne, Methodik und Einschränkungen genau definieren. Iterative Rückkopplung verfeinert die Ausgaben. Die Kombination mit modernen Modellsystemen wie Organoiden beschleunigt die Validierung. Das Elo-Ranking hilft, aus Hunderten Ideen die vielversprechendsten auszuwählen.

Ein konkretes Beispiel: „Entwickle Hypothesen zu epigenetischen Regulatoren in TGF-β-induzierter Leberfibrose, die in humanen hepatischen Organoiden mit Single-Cell-RNA-Sequenzierung getestet werden können.“ Solche gezielten Anfragen maximieren den wissenschaftlichen Nutzen.

Häufig gestellte Fragen (FAQs)

Was macht den AI Co-Scientist einzigartig im Vergleich zu anderen KI-Tools wie ChatGPT oder Claude?

Im Gegensatz zu allgemeinen Sprachmodellen ist der AI Co-Scientist ein speziell für wissenschaftliche Hypothesenentwicklung konzipiertes Multi-Agent-System. Es integriert Elo-basierte Bewertung, kontinuierliche Selbstoptimierung durch einen Meta-review Agent und eine strukturierte Nachahmung des wissenschaftlichen Prozesses. Diese Architektur ermöglicht nicht nur die Generierung, sondern auch die systematische Bewertung und Evolution von Ideen auf einem Niveau, das andere Modelle nicht erreichen.

Kann der AI Co-Scientist vollständig eigenständig forschen, ohne menschliche Beteiligung?

Nein. Die KI ist ein Hypothesengenerator und Planungstool, kein autonomes Labor. Sie schlägt Experimente vor, interpretiert keine Rohdaten aus Geräten und führt keine physikalischen Manipulationen durch. Menschliche Wissenschaftler müssen die Vorschläge bewerten, Experimente designen, durchführen und Ergebnisse interpretieren. Die KI beschleunigt den Ideenfindungsprozess, ersetzt aber nicht die experimentelle Validierung.

Gibt es bereits Pläne, Vorinostat klinisch gegen Leberfibrose zu testen?

Noch nicht in großem Maßstab, aber die Organoid-Daten liefern starke präklinische Evidenz. Das Stanford-Team entwickelt weitere Daten zu etablierter Fibrose und führt Gespräche mit Pharmaunternehmen. Da Vorinostat bereits FDA-zugelassen ist, könnte ein Repurposing-Ansatz die Entwicklungszeit erheblich verkürzen. Mögliche Phase-II-Studien könnten innerhalb von zwei bis drei Jahren starten, sofern Finanzierung und regulatorische Hürden gemeistert werden.

Wie kann man Verzerrungen in den KI-generierten Hypothesen minimieren?

Bias entsteht primär durch Lücken oder Überrepräsentation in der Trainingsliteratur. Gegenmaßnahmen: Verwenden Sie diverse, aktuelle Datensätze aus mehreren Quellen. Lassen Sie den Reflection Agent explizit nach widersprüchlichen Studien suchen. Fordern Sie die KI auf, alternative Erklärungen zu priorisieren. Eine manuelle Überprüfung durch Experten mit konträren Fachhintergründen stärkt die Objektivität zusätzlich.

In welchen weiteren biomedizinischen Bereichen könnte der AI Co-Scientist eingesetzt werden?

Überall dort, wo große Literaturmengen mit komplexen, vernetzten Mechanismen zusammentreffen: Onkologie (z. B. Resistenzmechanismen), Neurowissenschaften (Synapsenpathologien), Immunologie (Autoimmunerkrankungen) oder Mikrobiomforschung (Dysbiose). Besonders wertvoll ist er bei der Identifikation von Drug-Repurposing-Kandidaten, der Analyse seltener genetischer Varianten oder der Vorhersage von Protein-Interaktionen in bisher unerschlossenen Signalwegen.

Ist der Google AI Co-Scientist für externe Forscher zugänglich oder nur intern nutzbar?

Derzeit ist der Zugang auf Kooperationen mit Google beschränkt, wie in den veröffentlichten Studien. Es gibt keine öffentliche API oder Weboberfläche. Alternativen wie BioGPT, Galactica oder Open-Source-Frameworks auf Basis von Llama können ähnliche Aufgaben übernehmen, erreichen aber nicht die gleiche strukturierte Reasoning-Tiefe. Google plant möglicherweise eine kontrollierte Freigabe für akademische Partner in den kommenden Jahren.

Wie lässt sich der Erfolg von KI-generierten Hypothesen objektiv messen?

Ein robustes Benchmarking vergleicht die experimentelle Erfolgsrate von KI-Vorschlägen mit der von Literatur-basierten oder expertenbasierten Hypothesen. Im Leberfibrose-Beispiel lag die Trefferquote bei 2 von 3 KI-Zielen gegenüber 0 von 2 Literatur-Zielen. Weitere Metriken: Neuheit (fehlende Erwähnung in PubMed), Plausibilität (mechanistische Konsistenz) und Translationspotenzial (z. B. bereits zugelassene Substanzen). Langfristig sollte die klinische Erfolgsrate verfolgt werden.

Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!

Quelle:

• Penadés, J. R., Gottweis, J., He, L., Patkowski, J. B., Daryin, A., Weng, W.-H., Tu, T., Palepu, A., Myaskovsky, A., Pawlosky, A., Natarajan, V., Karthikesalingam, A., & Costa, T. R. D. (2025). AI mirrors experimental science to uncover a mechanism of gene transfer crucial to bacterial evolution. Cell. Advance online publication.