Die Zell- und Molekularbiologie durchläuft eine Phase, in der KI-Tools die Art und Weise, wie Forscher das Leben erkunden, neu definieren. Zwei Achsen strukturieren die jüngsten Fortschritte: die großangelegte computergestützte Modellierung von Zellen und die dreidimensionale Kartierung des Genoms. Diese Entdeckungen gehören nicht mehr zur Science-Fiction, sie speisen bereits konkrete Forschungspipelines im Labor.
Universelle Zellmodelle: KI angewandt auf interspezifische Biologie
Sprachmodelle haben die Textverarbeitung revolutioniert. Eine analoge Logik gilt nun auch für biologische Daten. Im September 2026 präsentierten Teams von Stanford zwei wichtige Werkzeuge: Universal Cell Embedding und TranscriptFormer.
TranscriptFormer wurde mit Daten von 112 Millionen Zellen aus 12 Arten, von Hefe bis Mensch, trainiert. Ziel ist es, die Zellzustände über etwa 1,5 Milliarden Jahre Evolution zu kartieren. Diese Art von Ansatz ermöglicht es, Wissen, das über ein Modellorganismus (die Maus, der Zebrafisch) erworben wurde, direkt auf die menschliche Biologie zu übertragen.
Was diese Arbeiten von früheren Ansätzen unterscheidet, ist ihre interspezifische Dimension. Den Zustand einer Hefezelle direkt mit dem einer menschlichen Zelle zu vergleichen, war theoretisch. Diese Foundation-Modelle machen den Vergleich operational, quantifizierbar und reproduzierbar im Labor. Unter den neuesten Informationen von Bio Geek gehört dieser Wandel hin zur universellen Zellmodellierung zu den am meisten verfolgten Themen in der frankophonen Wissenschaftsgemeinschaft.
Neue Generation menschlicher Zellatlanten
Die Transkriptom-Atlanten dienen als Referenz, um zu verstehen, welche Gene in jedem Zelltyp aktiv sind. Das Update Tabula Sapiens 2.0, das im September 2026 in Pre-Publikation veröffentlicht wurde, bietet einen erheblich erweiterten menschlichen Atlas im Vergleich zur ersten Version.
Diese zweite Generation integriert Dutzende von Geweben und bietet eine räumliche Auflösung, die die ersten Atlanten nicht ermöglichten. Es geht nicht nur darum, Zellen zu katalogisieren: Es geht darum, zu verstehen, wie Zellen in einem dreidimensionalen Raum interagieren und wie sich diese Interaktionen von Organ zu Organ unterscheiden.
Warum 3D die Forschung verändert
Ein 2D-Atlas liefert ein Foto. Ein 3D-Atlas liefert eine Architektur. Für die Forschung zu Krankheiten wie Krebs oder Autoimmunerkrankungen verändert es die Interpretation der Daten radikal, zu wissen, wo sich eine Zelle in einem Gewebe befindet (und welche Zellen sie umgeben). Zu verstehen, wie sich die DNA im Raum faltet, um bestimmte Gene zu aktivieren oder zu unterdrücken, ist ein zentrales Anliegen dieses dreidimensionalen Ansatzes.
KI und Arzneimittelentdeckung: Beschleunigung der präklinischen Phasen
Künstliche Intelligenz beschränkt sich nicht nur auf die Modellierung von Zellen. Sie verkürzt auch die Schritte zur Entdeckung neuer therapeutischer Moleküle. Mehrere Plattformen kombinieren nun generative KI und molekulares Screening, um Arzneimittelkandidaten vor den klinischen Studien vorzuschlagen.
Das Prinzip beruht auf zwei komplementären Fähigkeiten:
- Die Vorhersage von Proteinstrukturen, die es ermöglicht, therapeutische Ziele ohne teure Kristallographie zu identifizieren
- Die Generierung von Kandidatenmolekülen durch Algorithmen, die auf massiven chemischen Bibliotheken trainiert wurden
Der Übergang von der Vorhersage zur Generierung von Molekülen stellt den Paradigmenwechsel dar. Frühere Werkzeuge filterten bestehende Datenbanken. Die aktuellen Ansätze schaffen neue Moleküle, die für ein bestimmtes Ziel optimiert sind, und testen sie dann in schneller Schleife.
Entschlüsselung der nicht kodierenden DNA: das Genom anders lesen
Die Sequenzierung des menschlichen Genoms, die Anfang der 2000er Jahre abgeschlossen wurde, hinterließ eine offene Frage: Wozu dienen die umfangreichen Regionen von DNA, die kein Protein kodieren? Diese Bereiche, die lange Zeit fälschlicherweise als “Abfall-DNA” bezeichnet wurden, konzentrieren heute einen wachsenden Teil der Forschung in der Genomik.
Jüngste Arbeiten stützen sich auf tiefe neuronale Netze, um die regulatorische Grammatik der nicht kodierenden DNA zu entschlüsseln. Diese Regionen enthalten Sequenzen, die steuern, wann, wo und in welcher Menge ein Gen exprimiert wird. Das Verständnis dieser Grammatik eröffnet den Weg zu einer funktionalen Lesart des Genoms, über das bloße Inventar von Genen hinaus.
Konkrete Anwendungen in der Präzisionsmedizin
Eine Mutation in einem kodierenden Gen zu identifizieren, bleibt relativ einfach. Eine Mutation in einem regulatorischen Bereich zu identifizieren, ihren Einfluss auf die Expression eines manchmal sehr weit entfernten Gens auf dem Chromosom zu verstehen und diesen Einfluss dann mit einer Krankheit zu verbinden: Diese Analyse erfordert leistungsstarke rechnergestützte Werkzeuge. Die auf multispezies Daten trainierten KI-Modelle (wie die von Stanford) speisen direkt diese Art von Analyse, indem sie Querverweise zwischen Organismen bereitstellen.
- Genetische Varianten in nicht kodierenden Regionen machen die Mehrheit der Signale aus, die durch genomweite Assoziationsstudien erkannt werden
- Die aktuellen Werkzeuge ermöglichen es, die funktionalen Auswirkungen dieser Varianten vorherzusagen, ohne systematisch auf Laborexperimente zurückgreifen zu müssen
- Die Kombination von Zellatlas und prädiktivem Modell beschleunigt den Übergang von der genomischen Entdeckung zur klinischen Diagnose
Die Konvergenz zwischen 3D-Zellatlanten, interspezifischen KI-Modellen und der Analyse nicht kodierender DNA skizziert einen einheitlichen Forschungsrahmen. Jeder Baustein speist die anderen. Die Biologie von 2026 entwickelt sich nicht mehr disziplinär, sondern durch die Integration von Datenschichten, die isoliert schwer zu interpretieren waren.
