Künstliche Intelligenz kann inzwischen vollständige Virusgenome entwerfen, die anschließend im Labor synthetisiert und zu funktionsfähigen Viren werden. Forscher der Stanford University und des Arc Institute haben genau das getan – 16 ihrer KI-Entwürfe konnten Bakterien infizieren und sich selbst vermehren. Einer der finanziellen Förderer des leitenden Forschers ist übrigens die Gates-Stiftung.
Am 6. August erschien in Science die Studie „Generative design of bacteriophages with genome language models„. Forscher der Stanford University und des Arc Institute nutzten dafür die genomischen KI-Modelle Evo 1 und Evo 2, um komplette Genome des Bakteriophagen ΦX174 neu entwerfen zu lassen. Knapp 300 ausgewählte KI-Entwürfe wurden anschließend als DNA synthetisiert und im Labor an Escherichia coli getestet. 16 funktionierten: Sie infizierten die Bakterien, vermehrten sich darin und erzeugten neue Viruspartikel. Damit ist eine bislang entscheidende Grenze gefallen. Eine Künstliche Intelligenz hat vollständige Virusgenome geschrieben, diese digitalen Baupläne wurden physisch hergestellt und daraus entstanden vermehrungsfähige Viren.
Evo arbeitet ähnlich wie ein großes Sprachmodell (GPT, Gemini, Grok), nur eben nicht mit Wörtern, sondern mit DNA. Statt vorherzusagen, welches Wort als Nächstes kommt, berechnet das Modell, welcher genetische Baustein – A, C, G oder T – in einer Sequenz folgen dürfte. Aus Millionen vorhandener Genome lernt es biologische Strukturen und Zusammenhänge und kann daraus neue Sequenzen erzeugen. Bereits 2024 erschien ebenfalls in Science die Grundlagenarbeit „Sequence modeling and design from molecular to genome scale with Evo„. Das Modell war auf Millionen prokaryotischer und viraler Genome trainiert worden und sollte genetische Sequenzen analysieren und neu entwerfen. Nun wurde daraus ein Werkzeug, das vollständige Virusgenome in einem Stück erzeugt.
Die entstandenen Phagen waren keine bloßen Kopien des natürlichen ΦX174. Die erfolgreichen Genome wiesen zahlreiche Veränderungen gegenüber ihren nächsten bekannten natürlichen Verwandten auf. Mehrere enthielten Mutationen, die in keiner bekannten natürlichen Sequenz gefunden worden waren. Einige KI-Phagen konnten zudem Bakterienstämme angreifen, gegen die der natürliche Ausgangsphage kaum noch wirkte. Für die Medizin ist das interessant. Phagen könnten bei der Bekämpfung antibiotikaresistenter Bakterien helfen, und maßgeschneiderte Viren könnten dafür gezielt optimiert werden. Technologisch ist die Sache jedoch noch erheblich größer: Der Computer schreibt den genetischen Bauplan, ein Synthesedienst macht daraus DNA, und im Labor entsteht daraus ein Virus, das sich selbst vermehren kann.
Die eingebaute Sicherheitsbarriere ist keine Festungsmauer
Bei den jetzt erzeugten Viren handelte es sich um Bakteriophagen. Sie befallen Bakterien und keine Menschen. Menschliche Krankheitserreger waren aus den Trainingsdaten von Evo 2 herausgefiltert worden. Diese Schutzmaßnahme wurde allerdings bereits auf ihre Belastbarkeit getestet. James Black, Moritz Hanke, Aaron Maiwald und weitere Forscher veröffentlichten dazu die Arbeit „Open-weight genome language model safeguards: Assessing robustness via adversarial fine-tuning“. Sie trainierten Evo 2 nachträglich mit Sequenzen von 110 für Menschen schädlichen Viren. Danach konnte das Modell solche Sequenzen wesentlich besser verarbeiten. Bei weiteren Tests zeigte es sogar erste Fähigkeiten, Varianten mit möglicher Immunflucht zu erkennen.
Das Ergebnis ist für die Biosicherheit alles andere als beruhigend: Das Entfernen gefährlicher Viren aus dem ursprünglichen Trainingsmaterial verhindert nicht, dass ein frei verfügbares Modell später mit solchen Daten nachtrainiert wird. Die Schutzmaßnahme lässt sich zumindest teilweise umgehen. Die trainierten Modellparameter von Evo 2 sind öffentlich verfügbar. Wer über das nötige Fachwissen und ausreichende Rechenleistung verfügt, kann das Modell herunterladen, selbst betreiben und weitertrainieren. Die technische Grundlage steht also bereits. Dass die Entwicklung keine akademische Nebensache ist, zeigt bereits das Umfeld der Veröffentlichung. Biosicherheitsforscher beschäftigen sich zunehmend mit der Frage, wie generative Genommodelle missbraucht werden könnten und welche Schranken überhaupt funktionieren.
Der Grund dafür liegt auf der Hand. Bislang mussten Forscher Virusvarianten erzeugen, kultivieren, testen, selektieren und über viele Versuchsrunden weiterentwickeln. Genomische KI kann riesige Mengen möglicher Sequenzen erzeugen und dabei Strukturen entdecken, auf die ein Mensch womöglich gar nicht gekommen wäre. Gleichzeitig ist die Herstellung synthetischer DNA längst kommerzielle Routine. Der Weg verläuft inzwischen vom Computer über den DNA-Synthesizer bis ins Labor. Bei ΦX174 hat diese Kette funktioniert.
Gates-Stiftung förderte den leitenden Forscher
Beim Blick auf die Finanzierung taucht ein Name auf, der bei biotechnologischen Großprojekten seit Jahren regelmäßig erscheint. Brian L. Hie, Stanford-Professor und einer der maßgeblichen Köpfe hinter der in Science veröffentlichten Arbeit, weist unter seinen Förderern die Gates Foundation aus. Daneben werden das Arc Institute, die Chan Zuckerberg Initiative, ARPA-H und Schmidt Sciences genannt.
Die Förderangaben weisen nicht aus, welcher Geldgeber welchen einzelnen Arbeitsschritt dieses Experiments bezahlt hat. Fest steht jedoch: Die Gates-Stiftung finanzierte einen Wissenschaftler, der an der Spitze jener Forschung steht, mit der erstmals komplette KI-entworfene Virusgenome in vermehrungsfähige Viren verwandelt wurden. Und Gates-Geld tauchte bereits bei früheren Forschungsprojekten auf, bei denen Impfstoffe, genetische Veränderungen von Viren und Technologien zur Erfassung von Impfungen eine Rolle spielten.
Impfpass unter der Haut
2019 erschien im Fachjournal Science Translational Medicine die Studie „Biocompatible near-infrared quantum dots delivered to the skin by microneedle patches record vaccination„. Forscher des Massachusetts Institute of Technology entwickelten darin auflösbare Mikronadelpflaster, die zusammen mit einem Impfstoff unsichtbare Nahinfrarot-Quantenpunkte in die Haut einbringen konnten. Die Markierungen sollten Informationen über eine Impfung direkt am Körper speichern.
Mit entsprechend angepasster Smartphone-Technik ließen sie sich später wieder auslesen. In Tierversuchen waren die Muster noch Monate später sichtbar; weitere Tests untersuchten eine erheblich längere Haltbarkeit. Finanziert wurde auch dieses Projekt unter anderem von der Bill & Melinda Gates Foundation. Ein digital auslesbarer Impfnachweis unter der Haut – finanziert mit Gates-Geld. So ein Zufall aber auch.
9,5 Millionen Dollar für die Suche nach gefährlichen Grippe-Mutationen
Noch weiter zurück führt die Spur zu Yoshihiro Kawaoka, einem der bekanntesten Influenza-Forscher der Welt. Die University of Wisconsin–Madison erhielt 2009 von der Bill & Melinda Gates Foundation 9,5 Millionen Dollar für ein fünfjähriges Forschungsprogramm unter seiner Leitung. Die Universität beschrieb damals selbst, worum es ging: Kawaokas Team sollte Mutationen in Vogelgrippeviren identifizieren, die diesen Viren ermöglichen, an menschliche Rezeptoren zu binden oder sich effizient in menschlichen Zellen zu vermehren. Ziel war es, genetische Veränderungen zu finden, die bei der Entstehung eines pandemischen Virus eine Rolle spielen könnten.
Wenige Jahre später stand Kawaokas Labor mitten in einer weltweiten Gain-of-Function-Debatte. 2012 erschien im Fachjournal Nature die Studie „Experimental adaptation of an influenza H5 HA confers respiratory droplet transmission to a reassortant H5 HA/H1N1 virus in ferrets„. Darin wurde ein experimentelles Influenzavirus so angepasst, dass es über Atemtröpfchen zwischen Frettchen übertragen werden konnte. Frettchen gelten in der Influenza-Forschung als wichtiges Modell für die Übertragung von Grippeviren unter Säugetieren. Die Veröffentlichung löste damals heftige Diskussionen aus. Die zentrale Frage war schon damals dieselbe, die heute mit KI noch dringlicher wird: Wie weit darf Forschung gehen, wenn sie Viren Eigenschaften verleiht, die sie ansteckender, widerstandsfähiger oder schwerer kontrollierbar machen?
KI beschleunigt die biologische Suche
Die neue Generation genomischer KI verschärft dieses Problem erheblich. Die klassische Virusforschung benötigt Versuch für Versuch. Mutationen werden erzeugt, kultiviert, getestet und wieder verworfen. Genommodelle können dagegen in kurzer Zeit gewaltige Mengen möglicher Sequenzen durchspielen und daraus neue Baupläne erzeugen. Die DNA lässt sich anschließend problemlos synthetisieren.
Im Fall der neuen Science-Studie wurde genau das gemacht: Die Künstliche Intelligenz erzeugte vollständige Virusgenome, Forscher bestellten die entsprechenden DNA-Sequenzen, setzten sie zusammen – und 16 dieser Viren funktionierten. Der medizinische Nutzen solcher Werkzeuge kann enorm sein. Neue Phagentherapien gegen resistente Bakterien gehören zu den naheliegenden Anwendungen. Doch dieselbe technologische Leistungsfähigkeit verschwindet nicht, sobald man den Einsatzzweck wechselt.
Jeder Fortschritt macht diese Modelle auch für jene interessanter, die andere Ziele verfolgen als neue Medikamente – beispielsweise zur Kreierung von Biowaffen. Gleichzeitig wird DNA-Synthese schneller und billiger und der Weg vom digitalen Virusentwurf zum Labor wird damit immer kürzer. Und ein frei verfügbares Modell fragt niemanden, wofür es denn eigentlich weitertrainiert wird.
