KI-Sprachmodelle in der Zellbiologie: Studie der University of Virginia
10.09.2026 15:38
Ein Forschungsteam der University of Virginia School of Medicine hat GPT, Gemini und Claude auf ihre Fähigkeit geprüft, zelluläre Signalnetzwerke abzubilden. Die Modelle kannten die Bestandteile recht gut, scheiterten aber häufig an der Vorhersage von Störungen.
Ein Team der University of Virginia School of Medicine um Jeff Saucerman, PhD, hat untersucht, ob große Sprachmodelle (Large Language Models, LLMs) wie GPT, Gemini und Claude biologische Prozesse in Zellen erklären und vorhersagen können, wie Zellfunktionen bei Krankheiten gestört werden. Ergebnis: Beim Beschreiben der Bestandteile schnitten die Modelle nach Angaben der Autoren passabel ab, bei der Vorhersage von Reaktionen auf Störungen dagegen deutlich schlechter. Weniger als ein Drittel dieser Vorhersagen war korrekt.
„Unsere Studie zeigt, dass universelle LLMs heute zentrale Aspekte der Kommunikationsnetzwerke innerhalb von Zellen finden können, dass ihr Wissen aber erhebliche Lücken hat, die eine genaue Vorhersage der Reaktion einer Zelle auf Medikamente oder Genmutationen verhindern. Sie brauchen noch Hilfe von Menschen“, sagte Saucerman, der dem Department of Biomedical Engineering angehört, einem gemeinsamen Programm der School of Medicine und der School of Engineering.
Grenzen der Sprachmodelle
Computermodelle zellulärer Signalnetzwerke werden in der Forschung bereits breit eingesetzt, erfordern aber viel manuelle Eingabe auf Basis validierter Vorarbeiten. Die Studie prüfte, wie gut LLMs bekannte Signalnetzwerke von Herzzellen abbilden. Die Modelle generierten automatisch bis zu 65 Prozent der Reaktionen, die zuvor durch menschliche Kuratierung identifiziert worden waren; die Simulationen bezeichnen die Autoren als „moderat“ genau.
„Während die LLMs viele der generischeren Kommunikationssignale, wie sie in den meisten Körperzellen vorkommen, korrekt identifizierten, waren sie weniger erfolgreich bei Beziehungen, die für bestimmte Typen von Herzzellen spezifisch sind“, sagte der Forscher Jeevan Tewari. Bei der Vorhersage der Folgen von Störungen normaler Zellprozesse lag die Trefferquote der Modelle zwischen 6 und 33 Prozent.
Forderung nach Qualitätskontrolle
Die Autoren halten die Werkzeuge dennoch für nutzbar, mahnen aber Weiterentwicklung und enge Aufsicht durch Wissenschaftler an. Ihre Arbeit benennt Stärken und Schwächen der Modelle und soll eine „Pipeline“ liefern, um bessere Modelle zu bauen und sie sachgerecht einzusetzen. Gefordert werden unter anderem „rigorose, von Menschen erstellte Plattformen“, um die von den Modellen erzeugten Informationen zu ordnen und zu prüfen.
Publikation und Förderung
Die Ergebnisse sind im Open-Access-Journal eLife erschienen. Gefördert wurde die Arbeit durch die National Institutes of Health mit den Zuwendungen R01HL162925, R01HL160665, R01HL172417, T32GM156694, T32GM145443 und R01GM147257 sowie durch ein Pilotstipendium des UVA Comprehensive Cancer Center.
Original publication
Jeevan Tewari, Benjamin W Dahl, B Adam Bates, Jason A Papin, Jeffrey J Saucerman: Benchmarking biochemical networks generated by large language models, eLife 15:RP109709. https://doi.org/10.7554/eLife.109709.3
Über UVA Health
UVA Health ist ein akademisches Gesundheitssystem mit vier Krankenhäusern in Charlottesville, Culpeper und Nordvirginia sowie knapp 300 Kliniken im Bundesstaat. Nach eigenen Angaben verfügt es über mehr als 1.000 stationäre Betten, rund 40.000 stationäre Aufenthalte und mehr als eine Million ambulante Kontakte pro Jahr sowie über 1.000 Ärztinnen und Ärzte. Zum Verbund gehören unter anderem die UVA School of Medicine, deren Forschung mit 300 Millionen Dollar Fördermitteln unterlegt ist, und das UVA Comprehensive Cancer Center.