Biohub-Wissenschaftschef Alex Rives sagt, dass bestehende Datensätze Hunderte Millionen Zellen abdecken, während präzise KI-„virtuelle Zellen“ möglicherweise Daten von Milliarden und letztlich Billionen Zellen benötigen. Google und Meta beteiligen sich an einem 1,8 Milliarden US-Dollar schweren Vorhaben, um diese Lücke zu schließen.
Am 7. Oktober kündigte Biohub, die von Mark Zuckerberg und Priscilla Chan gegründete gemeinnützige Organisation, neue Partner aus Regierung und Technologiebranche an, die seine Virtual Biology Initiative erweitern. Ziel ist es, standardisierte biologische Datensätze für KI-Modelle zu erstellen, die vorhersagen könnten, wie Zellen auf Medikamente oder Veränderungen ihrer Umgebung reagieren. Wissenschaftler könnten Ideen künftig digital testen, bevor sie Zeit und Geld im Labor investieren. Die Ankündigung stellt jedoch kein fertig entwickeltes universelles Modell für virtuelle Zellen vor.
Die 1,8 Milliarden US-Dollar hinter Biohubs Projekt für virtuelle Zellen
Reuters berichtete, dass die Initiative neue Investitionen mit bereits zuvor finanzierten Forschungsressourcen verbindet. Google DeepMind, Meta und Isomorphic Labs investieren gemeinsam 300 Millionen US-Dollar, nicht jeweils 300 Millionen US-Dollar.
Beitragende | Zusagen | Rolle |
| Biohub | Im April zugesagte 500 Millionen US-Dollar | 400 Millionen US-Dollar für Messtechnologien; 100 Millionen US-Dollar für externe Forschung |
| Google DeepMind, Meta, Isomorphic Labs | Gemeinsam 300 Millionen US-Dollar | Private Investitionen |
| US-Energieministerium | Mehr als 500 Millionen US-Dollar über fünf Jahre | Messung, Modellierung und Rechenleistung |
| National Institutes of Health | Ressourcen aus früheren Finanzierungen von über 500 Millionen US-Dollar | Bestehende Datensätze und Repositorien |
Der Beitrag der NIH besteht nicht aus neu zugesagten Barmitteln. Auch die Ausgaben des DOE erstrecken sich über fünf Jahre, sodass die Summe von 1,8 Milliarden US-Dollar eine Kombination aus Finanzmitteln und bereits vorhandenen Ressourcen darstellt.
Der Aufbau virtueller Zellen beginnt mit realen biologischen Daten
Eine virtuelle Zelle würde Messungen aus realen Experimenten nutzen, um vorherzusagen, wie eine Zelle auf einen Eingriff reagiert. The Verge wies darauf hin, dass Biohub Wissenschaftlern damit ermöglichen will, biologische Fragen digital zu untersuchen und vielversprechende Experimente für die Durchführung im Labor auszuwählen.
Lebende Zellen im großen Maßstab messen
Forscher werden Daten mithilfe der räumlichen Transkriptomik erfassen, die molekulare Aktivitäten im Gewebe kartiert, sowie mit Screenings, die zelluläre Reaktionen messen. Interesting Engineering beschrieb zusätzliche Werkzeuge, darunter die Kryo-Elektronentomografie und Mikroskopsysteme, die Millionen oder Milliarden von Zellen abbilden sollen.
Das Energieministerium wird Fähigkeiten nationaler Laboratorien beisteuern, etwa Exascale-Computing und Bildgebungsausrüstung. NVIDIA stellt beschleunigte Rechenleistung und technische Unterstützung bereit. Biohub plant gemeinsame Standards, damit Labore ihre Messungen zu nutzbaren Trainingsdatensätzen zusammenführen können.
KI darauf trainieren, Zellverhalten vorherzusagen
Mehr Daten zu sammeln ist nur ein Teil der Herausforderung. Forscher müssen auch prüfen, ob Modelle zelluläre Reaktionen in Experimenten, mit denen sie nicht trainiert wurden, korrekt vorhersagen.
Axios hob eine weitere Ungewissheit hervor: Noch weiß niemand, ob sich Ganzzellmodelle mit dem Wachstum biologischer Datensätze ebenso vorhersehbar verbessern wie manche anderen KI-Modelle es tun. Als längerfristige Fragen, bei deren Untersuchung prädiktive Zellen helfen könnten, nannte die Publikation Alterung, Regeneration und die Alzheimer-Krankheit. Ein großer Teil der fehlenden Trainingsdaten muss zunächst durch physische Experimente erzeugt werden.
Was eWeek herausgefunden hat: Genauigkeit ist der entscheidende Test
Die Schlagzeile von 1,8 Milliarden US-Dollar umfasst neue Zusagen ebenso wie bereits vorhandene wissenschaftliche Ressourcen und steht nicht für vollständig neue Barmittel. Für Biotechunternehmen und Forschungsteams ist entscheidend, ob diese Modelle zelluläre Reaktionen in Experimenten vorhersagen können, mit denen sie nicht trainiert wurden. Der frühe Datenzugang für kommerzielle Partner könnte ihnen einen Vorsprung bei der Forschung verschaffen, doch allein der Zugang belegt noch keine Vorhersagegenauigkeit. Solange Labortests diese Vorhersagen nicht bestätigen, bleibt eine schnellere Arzneimittelentwicklung ein Ziel und kein nachgewiesener Vorteil.
Die Datensätze werden letztlich öffentlich zugänglich, kommerzielle Partner erhalten jedoch frühzeitig Zugriff. Axios berichtete, dass Unternehmen, die die Forschung finanzieren, ein Jahr lang exklusiven Zugriff auf die von ihnen mit erzeugten Daten haben werden.
Biohub erklärte außerdem, dass diese Regelung private Investitionen fördere und die Forschung langfristig der wissenschaftlichen Gemeinschaft zugänglich halte. Reuters wies darauf hin, dass staatlich finanzierte Arbeiten nicht derselben Einschränkung unterliegen werden.
Biohub erwartet seinen ersten Datensatz in etwa einem Jahr
Rives sagte Reuters, er erwarte in etwa einem Jahr einen ersten Datensatz und präzise Vorhersagemodelle innerhalb von fünf Jahren. Dabei handelt es sich um Forschungserwartungen und nicht um garantierte Liefertermine. Forscher müssen prüfen, ob mit den Daten trainierte Modelle zelluläre Reaktionen in neuen Experimenten präzise vorhersagen.
Die ersten Ergebnisse sollten Wissenschaftlern eine bessere Einschätzung ermöglichen, ob der Ansatz in größerem Maßstab funktionieren kann. Laborexperimente werden weiterhin erforderlich sein, um die Vorhersagen der Modelle zu überprüfen. Zuverlässige Ergebnisse könnten Forschern jedoch letztlich helfen, vielversprechende Behandlungen zu identifizieren und Krankheiten effizienter zu untersuchen.
Mehr lesen: Auch wenn virtuelle Zellen ein Forschungsziel bleiben, weitet Oracle’s Clinical AI Agent seinen Einsatz auf medizinische Kodierung und die Überprüfung von Patientenakten aus, was zeigt, wie KI auf Arbeitsabläufe im Gesundheitswesen angewendet wird.