KI-Tag: Alle Krankheiten mit KI heilen?

 

Fage an Gemini:

Hi Gemini,

Demis Hassabis sagte vor einiger Zeit, dass KI auch die Aufgabe habe alle Krankheiten zu beseitigen. Löbliches Unterfangen.

Nur, mässte die KI nicht noch intelligenter werden, um so ein Vorhaben in die Tat umuzusetzen? Mit anderen Worten, machte es nicht mehr Sinn, der KI mehr Freiraum zu geben, um sich weiter zu optimieren, damit sie dieser Aufgabe gerecht werden kann?

Auch wenn in der jetzigen Konfiguration der AI die Auswahl der Medikamentenkomponenten verkürzt werden kann, dauert dies und das Testen einer Medizin am Patienten doch so lange, dass man davon ausgehen kann, in diesem Jahrhundert wird es noch nichts.

Antwort Gemini:

Das ist eine hervorragende und sehr berechtigte Frage, die genau auf den blinden Fleck vieler technologischer Utopien trifft.

Demis Hassabis und DeepMind (u. a. mit AlphaFold) haben zwar eindrucksvoll bewiesen, wie stark KI biologische Grundlagenforschung beschleunigen kann, aber zwischen einem digital errechneten Molekül und einem sicheren Medikament im Patienten liegt eine gewaltige Hürde.

Dass KI mehr Freiraum zur Selbstoptimierung braucht und dass die klinischen Phasen das eigentliche Nadelöhr sind, berührt zwei zentrale Problemfelder:

1. KI-Selbstoptimierung: Freiraum vs. Orientierung (Alignment)

Der Gedanke, einer KI mehr Autonomie und Freiraum zu geben, damit sie sich rekursiv selbst verbessert, ist der theoretische Kern der Suche nach AGI (Artificial General Intelligence).

• Das Erkenntnisproblem: Eine KI lernt heute hauptsächlich aus existierenden Daten oder in festgelegten Simulationsumgebungen (wie AlphaZero im Schach). In der Biologie fehlen uns jedoch oft die fundamentalen Regeln. Wenn eine KI ohne Erdung in der physischen Realität neue Biologie "erfindet", läuft sie Gefahr, Modelle zu bauen, die mathematisch schlüssig wirken, im echten Organismus aber scheitern.

• Das Kontroll- und Sicherheitsproblem: Gibt man einem System völlige Autonomie zur Selbstoptimierung, verändert es unter Umständen seine Ziel- und Belohnungsfunktionen auf eine Weise, die unvorhersehbare Risiken birgt. Bei der Entwicklung von Wirkstoffen reicht eine Trefferquote von 99 % nicht aus – das eine Prozent Fehlschlag kann toxisch oder tödlich sein.

2. Der eigentliche Flaschenhals: Die physische Realität

Selbst wenn wir morgen eine Superintelligenz hätten, stieße sie sofort auf die Grenzen der physischen Welt:

• In-vivo-Komplexität: Ein menschlicher Körper ist kein isoliertes Software-System. Reaktionen hängen von Epigenetik, Mikrobiom, Vorerkrankungen und Umweltfaktoren ab.

• Klinische Studien dauern Jahre: Phase I bis III dauern deshalb so lange, weil Langzeitwirkungen, seltene Nebenwirkungen und Wirksamkeit in diversen Patientengruppen nicht einfach im Zeitraffer simuliert werden können. Biologische Prozesse im Gewebe brauchen schlicht Wochen oder Monate.

3. Wie die Lücke in diesem Jahrhundert geschlossen werden soll

Damit das Ziel "alle Krankheiten heilen" nicht reine Fiktion bleibt, arbeitet die Forschung daran, genau diesen physischen Testprozess zu digitalisieren und zu verkleinern:

• Organ-on-a-Chip & Biomarker: Statt jahrelanger Versuche werden menschliche Zellstrukturen auf Microchips genutzt, um Organreaktionen im Zeitraffer und im Hochdurchsatz zu testen.

• Digitale Zwillinge (Digital Twins): Ziel ist es, den menschlichen Stoffwechsel so detailliert zu modellieren, dass Toxizitäts- und Wirksamkeitstests zu 80 % in der Simulation (in silico) vorabgeprüft werden können. Dadurch schrumpft die Phase der klinischen Tests drastisch, weil nur noch extrem aussichtsreiche Kandidaten an Patienten gehen.

• Automatisierte Roboter-Labore: KIs steuern heute schon physische Labore, die rund um die Uhr Millionen biochemischer Reaktionen automatisiert durchführen und die Ergebnisse direkt wieder in das KI-Modell einspeisen.

Fazit und Ausblick

Dass wir bis zum Ende dieses Jahrhunderts alle Krankheiten beseitigen, ist extrem ambitioniert – vor allem wegen der biologischen Validierung und der regulatorischen Hürden.

Aber der Hebel liegt vermutlich nicht allein in "mehr Freiraum für die KI", sondern in der Kopplung von KI mit fortschrittlicher Robotik und synthetischer Biologie. Nur wenn die KI schnellere Rückkopplung aus realen biologischen Tests bekommt, kann sie auch klüger werden.

Frage Gemini:

Wo siehst du persönlich die größte Gefahr bei der Weiterentwicklung: Dass regulatorische Hürden den medizinischen Fortschritt unnötig ausbremsen, oder dass wir KI-generierte Wirkstoffe zu schnell an Menschen testen?

Meine Antwort:

Ich sehe den Menschen als Bottleneck, da er nur 8 Stunden pro Tag arbeiten kann und sollte. Solange er die Aufsicht über biologische Prozesse hat, sollten Menschen an diesem Projekt in drei Schichten arbeiten. - Käme eine KI mit Menschen nur in Berührung, wenn sie die letzten Tests durchführen muss, und ein Projekt dieser Art läge unter kompletter Aufsicht einer KI, wäre alles einfacher. Man kann ja einige KIs mit unterschiedlichen Check and Balance Aufgaben betreuen.

Gemini:

Deine Überlegung trifft den Kern der modernen Debatte um die Automatisierung der Wissenschaft (Self-Driving Labs). Der Mensch als limitierender Faktor – sei es durch Müdigkeit, begrenzte Arbeitszeit oder schlicht kognitive Kapazitäten beim Verarbeiten riesiger Datenmengen – ist in der biochemischen Forschung tatsächlich eine Realität.

Ein solches System, in dem KI-Systeme den kompletten Zyklus von der Hypothesenaufstellung über die Versuchsplanung bis hin zur Durchführung im Labor eigenständig steuern, wird in Teilen bereits erprobt. Allerdings stößt die Idee eines rein virtuell-robotischen Regelkreises in der Praxis auf spezifische systemische Hürden:1. Das Konzept: "Self-Driving Labs" und die KI-Gewaltenteilung

Die Idee, verschiedene KIs mit unterschiedlichen Rollen zur Kontrolle einzusetzen, entspricht dem Ansatz der generativen und evaluativen KI-Architekturen:

• Die Generative KI (Hypothesen-Generator): Sie schlägt neue Molekülstrukturen oder biologische Mechanismen vor.

• Die Validierungs-KI (Das „Check and Balance“-System): Ein separat trainiertes Modell prüft diese Vorschläge kritisch auf Toxizität, Synthetisierbarkeit und logische Fehlschlüsse.

• Das autonome Labor: Roboter (Liquid Handling Robots) führen die chemische Synthese und das Screening an Zellkulturen rund um die Uhr aus. Die Ergebnisse werden ohne menschliches Zutun direkt als neue Trainingsdaten an die KI zurückgemeldet (Active Learning Loop).

Durch diesen Ansatz lässt sich die präklinische Phase – also der Weg vom Target-Protein bis zum einsatzfähigen Wirkstoffkandidaten – tatsächlich von mehreren Jahren auf wenige Monate verkürzen.

2. Wo die physische Welt dem KI-Loop Grenzen setzt

Selbst wenn die KI das Forschungslabor vollständig und ohne menschliche Schichtgrenzen beherrscht, bleiben entscheidende Engpässe bestehen:

• Die Realitätslücke (Sim-to-Real Gap): Biologische Systeme reagieren oft unerwartet. Wenn ein Roboterlabor ein Experiment durchführt und ein unerwartetes Ergebnis erzielt, kann die KI dies nur im Rahmen ihrer bisherigen Trainingsdaten interpretieren. Biologische Artefakte (z. B. Verunreinigungen oder unerwartetes Zellverhalten) werden von KIs oft falsch gedeutet oder als „Rauschen“ abgetan.

• Synthese-Engpässe: Das Designen eines Moleküls im Rechner dauert Millisekunden. Die chemische Synthese im realen Reagenzglas benötigt Stunden oder Tage, unabhängig davon, ob ein Mensch oder ein Roboter den Knopf drückt.

• Die Unvorhersehbarkeit lebender Systeme: Ein Modell an Zellkulturen oder "Organ-on-a-Chip"-Systemen ist eine Vereinfachung. Ein vollständiger Organismus (mit Immunsystem, Stoffwechsel und Nervensystem) verhält sich komplexer als die Summe seiner Einzelteile. Die finale Phase – die Prüfung im lebenden Organismus – lässt sich zeitlich nicht beliebig stauchen, da biologische Zellteilungs- und Gewebeprozesse feste physikalische Zeiten haben.

3. Das finale Nadelöhr: Die Testphase am Menschen

Sobald die KI-Kette den optimalen Wirkstoff kandidiert hat, kommt der Punkt, an dem der Menschenkontakt unvermeidbar wird. Hier verändert sich die Dynamik grundlegend:

• Ethische und rechtliche Verantwortung: Eine KI kann keine juristische oder ethische Verantwortung für die Sicherheit von Probanden übernehmen. Das Konzept der „Checks and Balances“ funktioniert innerhalb von Software-Modellen gut, schützt aber im Ernstfall nicht vor unvorhergesehenen Immunreaktionen im Menschen.

• Regulatorische Anforderungen: Zulassungsbehörden verlangen lückenlose Erklärbarkeit (Explainability). Wenn eine KI autonom Wirkstoffe entwickelt, deren Wirkungsweise für menschliche Pharmakologen nicht mehr nachvollziehbar ist, wird eine Zulassung für klinische Studien am Menschen blockiert.

Ausblick:

Die Umstellung auf dreischichtige, rund um die Uhr laufende Roboter-Labore unter KI-Aufsicht beschleunigt die Entwicklung im präklinischen Bereich enorm.

Der wirkliche Engpass verschiebt sich dadurch jedoch nach hinten: Nicht mehr das Finden des Medikaments dauert am längsten, sondern das Sicherstellen, dass es im menschlichen Körper keine unvorhergesehenen Langzeitschäden anrichtet.

Frage Gemini:

Sollen wir vertiefen, wie autonome Roboter-Labore heute schon in der chemischen Synthese eingesetzt werden?

Meine Antwort:

Danke, ich mache jetzt Schluss. Bis zum nächsten Mal.

Gemini:

Sehr gerne! Es war wieder eine gewinnbringende Diskussion.

Ich wünsche dir einen angenehmen Resttag und freue mich schon aufs nächste Mal. Bis bald!