In einem bedeutenden Durchbruch für die medizinische Forschung haben Wissenschaftler von Google DeepMind und der Yale University mithilfe einer neuen KI einen potenziellen Weg zur Krebstherapie entdeckt. Das 27-Milliarden-Parameter-Modell mit der Bezeichnung C2S-Scale 27B wurde am 15. Oktober 2025 vorgestellt.
Es analysierte Einzelzelldaten, um eine neuartige Hypothese aufzustellen: Ein bestimmtes Medikament könnte die Fähigkeit des Immunsystems verstärken, ansonsten „unsichtbare“ Tumore anzugreifen. Anschließend validierten die Forscher diese KI-generierte Vorhersage erfolgreich in Laborexperimenten.
Dieser Erfolg markiert einen entscheidenden Moment für „KI für die Wissenschaft“. Es zeigt, dass große Modelle nicht nur Informationen verarbeiten, sondern auch originelle, überprüfbare Ideen generieren können. Dies könnte die Entwicklung neuer medizinischer Behandlungen beschleunigen und die Art und Weise verändern, wie biologische Forschung durchgeführt wird.
Vom virtuellen Bildschirm zur validierten Entdeckung
Eine zentrale Herausforderung bei der Krebsimmuntherapie besteht darin, dass viele Tumore „kalt“ sind – also für das körpereigene Immunsystem praktisch unsichtbar. Eine Schlüsselstrategie besteht darin, sie „heiß“ zu machen, indem man sie durch einen Prozess namens Antigenpräsentation dazu zwingt, immunauslösende Signale zu zeigen.
Um einen Weg zu finden, dies zu erreichen, beauftragten Forscher C2S-Scale 27B mit einer hochspezifischen Mission. Sie entwarfen einen „virtuellen Dual-Kontext-Bildschirm“, um ein Medikament zu finden, das als bedingter Verstärker fungiert und die Wirkung von über 4.000 Medikamenten simuliert.
Die Der „Dual-Kontext“-Ansatz war der Schlüssel. Das Modell musste ein Medikament finden, das nur in einer patientenrelevanten Umgebung mit Immunsignalen wirksam war, in einem isolierten Laborkontext jedoch unwirksam war. Diese Präzision erforderte ein ausgefeiltes Maß an bedingtem Denken.
Der Spitzenkandidat der KI war Silmitasertib (CX-4945). Das Modell sagte voraus, dass es die Antigenpräsentation im Zielkontext stark erhöhen würde, ansonsten aber nur geringe Auswirkungen hätte. Dies war eine neuartige Hypothese, da das Medikament bisher keinen Zusammenhang mit diesem spezifischen Mechanismus hatte.
Um die Vorhersage zu testen, brachte das Team die Hypothese vom Computer auf den Labortisch. Sie verwendeten menschliche neuroendokrine Zellmodelle – einen Zelltyp, dem die KI während ihres Trainings noch nie begegnet war. Die Ergebnisse waren eine beeindruckende Bestätigung der Modellhypothese.
Dieser Schritt, der Übergang von einer Computervorhersage (in silico) zu einem Labortest (in vitro), ist der Goldstandard für die Validierung KI-gesteuerter biologischer Hypothesen. Die Experimente zeigten, dass das Medikament oder niedrig dosiertes Interferon allein zwar nur geringe Wirkung hatte, ihre Kombination jedoch eine deutliche, synergistische Verstärkung erzeugte.
Skalierungsgesetze und der Beginn der generativen Biologie
Die Leistung von Google liefert überzeugende Beweise für die Theorie der „Skalierungsgesetze“ in der Biologie. Das Konzept, das die jüngste Explosion großer Sprachmodelle vorangetrieben hat, geht davon aus, dass sich Modelle mit zunehmender Größe nicht nur verbessern, sondern auch völlig neue, entstehende Fähigkeiten erwerben können.
Neue Fähigkeiten sind Fähigkeiten, die nicht explizit programmiert werden, sondern mit zunehmender Größe und Komplexität eines Modells auftreten. Für C2S-Scale bedeutete dies, dass es die bedingte Argumentation ausführen konnte, die zum Verständnis der „Wenn-Dann“-Logik des Immunkontexts erforderlich ist – eine Aufgabe, die kleineren Modellen entgangen war.
Das C2S-Scale-Modell, das auf der offenen Gemma-2-Architektur von Google basiert, demonstrierte dies, indem es eine überprüfbare wissenschaftliche Idee generierte. Shekoofeh Azizi von Google DeepMind erklärte: „Dieses Ergebnis liefert auch eine Blaupause für eine neue Art biologischer Entdeckung.“
Dies stellt einen grundlegenden Wandel von KI als bloßem Datenanalysetool hin zu einem kreativen Partner bei wissenschaftlichen Entdeckungen dar. Der Erfolg des Modells deutet auf eine Zukunft hin, in der KI riesige virtuelle Bildschirme ausführen kann, um komplexe, kontextabhängige biologische Mechanismen aufzudecken.
Der neue Ansatz könnte den Weg von der ersten Forschung zu brauchbaren therapeutischen Ansätzen drastisch verkürzen. Das Team erklärte, es beweise, dass größere Modelle „Vorhersagemodelle des zellulären Verhaltens erstellen können, die leistungsstark genug sind, um … biologisch fundierte Hypothesen zu generieren“.
Ein neues Werkzeug im offenen Ökosystem „KI für die Wissenschaft“
Das Projekt C2S-Scale 27B ist Teil eines breiteren Branchentrends zur Entwicklung spezialisierter KI für wissenschaftliche Bereiche. Google hat sein „Gemmaverse“ mit Modellen wie TxGemma für die Arzneimittelforschung aktiv ausgebaut. Dies spiegelt eine Strategie wider, die sich auf gezielte, wirkungsvolle Anwendungen konzentriert.
Microsoft verfolgt eine ähnliche „AI for Science“-Initiative und veröffentlicht Tools wie BiomedParse für die medizinische Bildanalyse und ein Anomalieerkennungsmodell zur Erkennung von Brustkrebs. Die parallelen Bemühungen unterstreichen einen strategischen Dreh-und Angelpunkt in der gesamten Branche.
Im Einklang mit dem Geist der offenen Wissenschaft haben Google und Yale das C2S-Scale 27B-Modell, den zugrunde liegenden Code und das Forschungspapier auf Plattformen wie Hugging Face und GitHub. Dadurch kann die globale Forschungsgemeinschaft auf ihrer Arbeit aufbauen.
Dieser offene Ansatz ist für die wissenschaftliche Validierung von entscheidender Bedeutung. Durch die Veröffentlichung der Tools laden Google und Yale zu genauer Prüfung und Zusammenarbeit ein und ermöglichen es anderen Forschern, ihre Erkenntnisse zu reproduzieren und neue Hypothesen zu erforschen. Es fördert ein transparenteres Forschungsumfeld.
Obwohl diese Entdeckung ein Meilenstein ist, ist der Weg bis zur klinischen Anwendung lang. KI in der Medizin steht vor erheblichen Hürden, von der Gewährleistung der Zuverlässigkeit in der Praxis bis hin zur Bewältigung der komplexen Ethik des Patientendatenschutzes, ein Anliegen, das von anderen groß angelegten KIs im Gesundheitswesen hervorgehoben wird.
Professor Moritz Gerstung vom DKFZ bemerkte zu einem ähnlichen Vorhersagemodell: „Generative Modelle wie unseres könnten eines Tages dazu beitragen, die Pflege zu personalisieren und Gesundheitsbedürfnisse in großem Maßstab zu antizipieren.“ Durch den Übergang von der reinen Vorhersage zur validierten Entdeckung bringt diese Arbeit diese Vision der Realität einen entscheidenden Schritt näher.
