Ein von Singapur geleitetes Forschungsteam nutzt KI, um einen der kostspieligsten Engpässe bei der Genomassemblierung zu bewältigen: die Korrektur fehlerbehafteter Nanopore-Sequenzierungs-Reads, ohne echte genetische Variationen zu verlieren.
Das Team entwickelte HERRO, ein Deep-Learning-Tool, das die Genauigkeit von Oxford Nanopore Simplex-Reads für die Genomassemblierung verbessern soll. In einer am 27. April 2026 veröffentlichten Studie in Nature berichteten die Forschenden von einer bis zu 100-fachen Steigerung der Read-Genauigkeit und von Telomer-zu-Telomer-Genomassemblierungen mit HERRO-korrigierten Reads.
Sollte sich dies breiter reproduzieren lassen, könnte HERRO die Abhängigkeit von Laboren von kostspieligen Workflows verringern, die Nanopore-Daten mit anderen Sequenzierungstechnologien kombinieren. Für Sequenzierungslabore liegt der praktische Vorteil auf der Hand: weniger Plattformen, weniger genomische DNA und einfachere Workflows zur Erstellung vollständiger Assemblierungen.
Warum die Genomassemblierung weiterhin mehrere Plattformen erfordert
Zum Forschungsteam gehören Wissenschaftlerinnen und Wissenschaftler des Genome Institute of Singapore von A*STAR und von Oxford Nanopore Technologies. Das Projekt spiegelt zudem Singapurs Investitionen in angewandte KI für die biowissenschaftliche Forschung wider.
Die Genomassemblierung ist seit Langem von einem Zielkonflikt geprägt. Lange Nanopore-Reads können sich über Wiederholungen und strukturelle Varianten erstrecken, die kürzere Reads nur schwer auflösen können, weisen aber auch höhere Fehlerraten auf. Viele Labore gleichen dies aus, indem sie ultralange Nanopore-Reads mit hochpräzisen langen Reads wie PacBio HiFi kombinieren.
Das Nature-Paper erklärt, dass Ansätze mit mehreren Plattformen die Kosten erhöhen, mehr genomische DNA erfordern und zusätzlichen Aufwand bei der Laborvorbereitung und Datenanalyse verursachen können. HERRO soll diese Belastung verringern, indem es Oxford Nanopore Simplex-Reads korrigiert, bevor sie an Genomassembler übergeben werden.
Damit ist HERRO ein fokussiertes Beispiel für angewandte KI: Das Tool bereinigt spezialisierte wissenschaftliche Daten, damit nachgelagerte Werkzeuge besser arbeiten können. Diese datenzentrierte Einschränkung zeigt sich auch in KI-Projekten von Unternehmen, bei denen Datenpipelines über Erfolg oder Misserfolg entscheiden.
Die Korrekturaufgabe von HERRO ist schwierig, weil echte genetische Variationen wie Rauschen aussehen können. Sein öffentliches GitHub-Repository beschreibt HERRO als haplotypbewusstes Tool zur Korrektur von Reads aus dem Nanopore R10.4.1 Kit 14, mit einem experimentellen Modell für R9.4.1-Daten und einer empfohlenen Read-Länge von mindestens 10.000 Basenpaaren.
Was die Benchmarks von HERRO zeigen
In den Tests der Studie erreichten HERRO-korrigierte Reads, die mit dem Verkko-Assembler verwendet wurden, für beide Haplotypen im I002C-Datensatz bei einer Korrekturabdeckung von 71× ein NG50 von 146 Mb. Bei einer Korrekturabdeckung von etwa 35× lagen die NG50-Werte zwischen etwa 90 Mb und 130 Mb.
Bei ultralangen Oxford-Nanopore-Datensätzen des Typs R10.4.1 wurden mehr als die Hälfte der 46 Chromosomen als Telomer-zu-Telomer-Contigs oder -Scaffolds aufgelöst. Die Forschenden berichteten außerdem von Läufen, in denen die X- und Y-Chromosomen lückenlos von einem Ende zum anderen assembliert wurden.
Zu den frühen Anwendern dürften Sequenzierungszentren, Programme für Populationsgenomik, Teams für Agrargenomik, Biodiversitätsprojekte und Forschungsgruppen gehören, die mit strukturell komplexen Genomen arbeiten. Die klinische Diagnostik ist ein weiter entferntes Einsatzgebiet; die Studie validiert HERRO nicht als diagnostisches Tool.
Unabhängige Labore müssen die Ergebnisse weiterhin mit mehr Organismen, unterschiedlichen Probenqualitäten, Sequenzierungsbedingungen und Kostenmodellen reproduzieren. Auch die Offenlegung von Interessenkonflikten der Studie ist relevant, da Oxford Nanopore Technologies und AI Singapore das Projekt gemeinsam finanziert haben.
Wenn HERRO sich bewährt, könnte es die Infrastrukturschwelle für vollständige Genomassemblierungen senken. Aktuelle Arbeiten zu Infrastruktur für KI-Agenten und KI-Suchplattformen, die auf proprietären Daten basieren weisen auf denselben übergreifenden Wandel hin: hin zu spezialisierten KI-Systemen, die auf Datenqualität und Validierung ausgerichtet sind.
Lesen Sie auch: Microsofts neuer KI-Agent bringt „Always-On“-Automatisierung zu Microsoft 365 – ein weiteres Beispiel dafür, wie KI immer tiefer in operative Workflows vordringt