„Bedeutender Durchbruch“Eine KI hat lebensfähige Viren entworfen – was das bedeutet
Die KI Evo analysiert das Erbgut eines einfachen Virus gründlicher als Fachleute – so gut, dass sie daraus DNA-Baupläne für komplett neue, funktionstüchtige Viren konstruieren kann. Ein Durchbruch. Aber einer, der auch viel über die Grenzen von KI sagt.
„KI generiert Viren“ – bumm. Eine Nachricht wie aus einem düsteren Science-Fiction-Film. Aber so oder ähnlich stand es kürzlich in Schlagzeilen vieler Medien. Wirklich. Es ist also real.
Oder?
Das, was jetzt passiert ist, könnte – vielleicht – irgendwann dazu führen, dass ein Laptop genügt, um den Bauplan für einen neuen Mikroorganismus mit gewünschten Funktionen zu kreieren – einen, den es in der Natur noch nicht gibt. Gut organisierte Terroristen könnten damit womöglich eine Pandemie auslösen. Auf der anderen Seite könnte es aber auch zum Kinderspiel werden, sehr nützliche Viren gegen resistente Krankenhauskeime zu entwickeln.
Da die biologische Wissenschaft immer weiter voranschreitet, ist es wahrscheinlich, dass dieser Laptop-Moment irgendwann kommt. Doch wie nahe sind wir ihm schon? Was ist also eigentlich passiert?
ChatGPT für Gene und Proteine
Eine Forschergruppe um Samuel King von der Stanford University hat eine KI namens „Evo“ genutzt, um DNA-Baupläne zu entwickeln, die einem seit Jahrzehnten bekannten Virus ähnlich genug sind, um lebensfähige Viren hervorzubringen – sich aber zugleich deutlich genug unterscheiden, um den neuen Viren neue Eigenschaften zu verleihen.
Die KI generierte Tausende Varianten des Genoms (so nennen Biologen die Gesamtheit der Erbinformation eines Organismus) des natürlichen Virus. Zunächst existierten diese nur virtuell im Computer. Aus ausgewählten Bauplan-Varianten stellten die Forscher im Labor reale Viren her, indem sie chemische DNA-Bausteine zu einem Genom zusammensetzten. 16 dieser künstlichen Organismen waren lebensfähig. Über diesen beachtlichen wissenschaftlichen Erfolg schreiben die Forscher im Fachmagazin „Science“.
Seit ChatGPT staunen normale Menschen über die Fähigkeiten von KI, etwa beim Beantworten von Fragen oder beim Generieren von Texten, die wie von Menschen geschrieben klingen. Weniger bekannt ist, wie sehr auch Biologen staunen. Auch sie nutzen KI-Modelle, die Sprachmodellen wie ChatGPT oder Claude ähneln. Das ist kein Wunder. Denn die Erbinformation DNA oder der Aufbau von Proteinen ähneln Texten insofern, als sie sich aus einer Abfolge von „Buchstaben“ zusammensetzen: bei der DNA vier „Basen“, bei Proteinen 20 „Aminosäuren“. Wie ein literarischer Text vielschichtig sein kann und unzählige Interpretationen erlaubt, sind auch diese biologischen „Texte“ komplex und für Forscher schwer zu durchdringen.
Bei Proteinen etwa bedingt die Abfolge – im Fachjargon „Sequenz“ – der Aminosäuren, zu welcher dreidimensionalen Form sich das Biomolekül faltet. Und diese Form entscheidet wiederum über seine Funktion. Zum Beispiel hat das Enzym Amylase, das im Speichel Stärke spaltet, eine passgenau für das Stärkemolekül geformte Tasche.
Die Vorhersage der 3D-Form galt jahrzehntelang als extrem schwierig, bis 2018 die KI „Alphafold“ von Googles Londoner Tochter „Deepmind“ kam: Sie erkennt komplexe Muster in Aminosäure-Sequenzen, mit denen sie deren Faltung vorhersagt – eine Leistung, für die es 2024 den Chemie-Nobelpreis gab. Das eröffnet nicht nur neue biologische Einsichten, sondern erlaubt es auch, Proteine gezielt für neue Medikamente zu „designen“.
KI erlernt die Muster der Evolution
Bei der DNA ist es ähnlich: Die Sequenz der genetischen Buchstaben hängt eng mit der Funktion eines Gens zusammen – oft auf sehr komplexe Weise. So können in einem DNA-Abschnitt mehrere Gene „übereinanderliegen“ – als würde dieselbe Buchstabenfolge, je nachdem wo man zu lesen beginnt, zwei völlig unterschiedliche Sätze mit unterschiedlichem Sinn ergeben. Und genau wie ein Satz seine volle Bedeutung oft erst im Zusammenhang des gesamten Textes entfaltet, hängt die Funktion eines DNA-Abschnitts häufig subtil vom größeren genetischen Kontext ab. Naheliegend also, KI-Modelle wie ChatGPT zu nutzen – nicht um Texte zu generieren, sondern künstliche DNA-Abschnitte. Tatsächlich zeigte eine frühere Version von Evo diese Fähigkeit schon 2024, als sie funktionierende Genscheren entwarf, die Biologen als Werkzeuge nutzen.
Statt mit unzähligen Seiten von Text aus dem Internet, wie ein normales Sprachmodell, wurde Evo mit den Erbinformationen von Millionen von Organismen aus allen Bereichen des Lebens trainiert. Dazu gehören auch sogenannte Phagen. Das sind Viren, die Bakterien befallen, um sich zu vermehren. Das Genom dieser sehr einfach aufgebauten Erreger ist ebenfalls sehr einfach. Bei dem Phagen ΦX174 sind es etwa 5400 genetische Buchstaben, eher also ein Artikel als ein Buch.
Die Forscher um Samuel King wollten nun wissen: Kann Evo nicht nur Genom-Abschnitte erzeugen, sondern ein ganzes Genom? Genauer gesagt: Kann Evo neue, lebensfähige Varianten des Genoms von ΦX174 generieren, die es in der Natur noch nicht gibt? Dafür trainierten sie Evo zusätzlich – mit einer sogenannten Feinabstimmung – auf den Genomen von 15.000 Viren aus derselben Familie wie ΦX174. So sollte Evo Muster erkennen, die die Evolution dieser Phagenfamilie widerspiegeln: die natürlichen Leitplanken, innerhalb denen das Genom bleiben muss, um lebensfähig zu sein.
„Halluziniertes“ Erbgut
Ob Evo diese Regeln wirklich lernt, lässt sich nicht direkt überprüfen – doch wenn ja, sollte die KI potenziell lebensfähige Genome generieren. Die Forscher ließen die KI Tausende Sequenzen erzeugen. Diese unterzogen sie einer harten Prüfung, um die am ehesten lebensfähigen herauszufiltern. Dafür wendeten sie ihr Fachwissen über das Erbgut von Viren an. Nach dieser Filterung blieben etwa 300 Genome übrig. Diese synthetisierten die Forscher dann im Labor. Davon konnten 16 das Wirtsbakterium E. coli am Wachstum hindern – sie funktionierten also.
Besonders interessant: Aus den lebensfähigen Phagen züchteten die Forscher weitere, die phagenresistente E.-coli-Bakterien infizieren konnten – etwas, wozu vergleichbare natürliche Phagenstämme nicht in der Lage waren. Die Forscher vermuten, dass die künstlichen Phagen die Resistenz überwanden, weil ihre genetische Vielfalt größer war als die der natürlichen.
Fachleute loben die Arbeit. Sie sei ein „bedeutender Durchbruch“, sagt etwa Jordi Garcia Ojalvo von der Universität Pompeu Fabra in Barcelona. Der Professor für Systembiologie dämpft jedoch Erwartungen an schnelle therapeutische Erfolge: Das Verfahren sei wenig effizient, betont er gegenüber dem britischen Science Media Center. Die meisten von der KI erzeugten Genome seien „Halluzinationen“ – so nennt man überzeugend klingende, aber falsche Antworten von KI-Sprachmodellen wie ChatGPT. In Bezug auf Evo heißt das: Viele Varianten müssen aufwändig im Labor synthetisiert und getestet werden, um wenige lebensfähige Viren zu erzeugen.
Genetik-Experten erwarten keine weiteren neuen KI-Organismen
Garcia Ojalvo erwartet nicht, dass das Verfahren schnell effizienter gemacht werden kann. Dafür seien die Daten für das Training solcher genomischen Sprachmodelle zu begrenzt und würden dies auch bleiben. Ein Grund dafür: Während Texte im Internet als Trainingsmaterial für ChatGPT und Co. bereits in gigantischen Mengen vorliegen, müssen Genomdaten nach und nach durch physische Laborarbeit gewonnen werden. Nur weil die Phagenfamilie von ΦX174 sehr kleine Genome hat, liegt für sie bereits relativ viel Datenmaterial vor.
Tom Ellis vom Imperial College London findet die Studie zwar auch „beeindruckend“. Sie zeige aber, wie weit die KI noch davon entfernt sei, Baupläne für komplexere Genome von größeren Viren oder Zellen zu erstellen, sagte der Genomexperte zum Sender Al Jazeera. ΦX174 sei das am einfachsten zu designende Genom. Das Erbgut des Covid-Virus sei sechsmal so lang und wegen der exponentiell steigenden Komplexität von Genomen „wahrscheinlich hundertmal“ schwerer für eine KI zu analysieren.
Die neue Arbeit ist auch für Harald König vom Karlsruher Institut für Technologie ein wichtiger Fortschritt. Solche Genome „rational“, also von Menschen, zu designen sei wegen ihrer hohen Komplexität „sehr, sehr schwierig“, sagt der Biologe. Die Leistung der KI bestehe darin, „Prinzipien zu erkennen, wie das Genom aussehen muss, damit es immer noch funktioniert“.
Ob das auch bei komplexeren Organismen klappt, ist für König offen. Das Erbgut von Viren, die etwa Menschen befallen, enthält typischerweise viel mehr Gene und kann noch „tiefer verschachtelt“ sein – es kodiert so mehr Funktionen als ΦX174. Ob KI-Modelle auch diese höhere Komplexität erfassen, könne „im Moment niemand wirklich sagen“, so der Experte für Technikfolgenabschätzung.
König betont zudem: Die Forscher haben Evo nicht gezielt angewiesen, eine resistenzüberwindende Phage zu erzeugen – diese Fähigkeit ergab sich „zufällig“. „Die Arbeit zielte nicht auf die Erzeugung neuer Eigenschaften, sondern auf den Erhalt der Eigenschaften von ΦX174“, sagt König. Trotzdem hält er es für möglich, künftig auch gezielt neue Eigenschaften zu designen – selbst wenn die neuen Genome ihren Vorlagen zu über 90 Prozent ähneln.
Eine Welt, in der man eine Gen-Design-KI einfach promptet, „mach mir einen Virus, der resistente MRSA-Erreger tötet“ oder, schlimmer, „bau mir ein Virus, gegen das Menschen nicht immun sind und das sich leicht verbreitet“, dämmert also auch mit der neuen Arbeit nicht am Horizont. Es bleibt aufwändig, neue funktionierende Genome zu erzeugen, erst recht solche mit zuvor definierten Funktionen. KI bleibt in Konkurrenz zu etablierten Methoden wie der Züchtung resistenzüberwindender Phagen im Labor.
Also nein: KI hat keinen „Virus generiert“. Sie hat unter kundiger Anleitung von Fachleuten sehr gut geraten, wie ein lebensfähiger Virus einfachster Bauart aussehen könnte. Ein beachtlicher, aber nicht weltbewegender Erfolg. Der Laptop-Moment bleibt weit weg. Wenn er mal da ist, wird das, was wir heute KI nennen, vielleicht eine wichtige Rolle gespielt haben. Vielleicht aber auch nicht. Das ist heute schlicht noch unklar. Dennoch: Die KI Evo könnte der Anfang von etwas sein, das die Welt eine andere werden lässt.
