Die virtuelle Zelle als nächster Durchbruch?

Ein Glas rutscht Ihnen plötzlich vom Tisch. Noch bevor es den Boden berührt, wissen Sie: Es wird höchstwahrscheinlich zerbrechen, der Inhalt verteilt sich auf dem Teppich und Sie müssen gleich zum Putzlappen greifen. Dieses Beispiel zeigt: Sie besitzen eines von vielen inneren „Modellen“ der Welt um Sie herum, das Ursache und Wirkung verknüpft und die Zukunft vorausplant. Genau solche „Weltmodelle“ versuchen Forschende gerade auch KI beizubringen. Und in der Biologie wird dieser Anspruch am Beispiel Zelle derzeit besonders ambitioniert umgesetzt.

Was ist ein „Weltmodell“?

Ein Weltmodell ist so etwas wie eine mentale Landkarte oder ein inneres Simulationsprogramm.

Wir haben gelernt, dass ein Gegenstand zu Boden fällt, sobald man ihn loslässt, und dass wir nicht gleichzeitig an zwei Orten sein können. Wir verbinden automatisch Ursache und Wirkung, verstehen mechanische Abläufe intuitiv und können Konsequenzen unseres Handelns antizipieren, bevor wir überhaupt handeln – natürlich gelingt uns das nicht immer fehlerfrei.

Ausgebildet werden diese Weltmodelle schon im Kindesalter – häufig durch beherztes und nicht selten riskantes Experimentieren. Mit jeder Handlung werden die Modelle neu kalibriert: Erwartung und tatsächliche Wirkung werden abgeglichen, wir lernen dazu. Robuste, anpassungsfähige Weltmodelle sind zentral, um durch die physische Welt effizient zu navigieren.

Die „stochastischen Papageien“ lernen das Laufen

Speziell große Sprachmodelle galten lange Zeit als „stochastische Papageien“, die „nur“ Sprachmuster aus Daten reproduzieren konnten. Konzepte wie „Gravitation“ oder „Kausalität“ kannten sie nur aus Texten, ohne sie scheinbar „wirklich“ zu begreifen. Doch Sprachmodelle lernen beim Training offenbar nicht nur, welches Token als Nächstes kommt, sondern bilden dabei – mit gewisser Fehleranfälligkeit – auch interne, abstrakte Repräsentationen von Dingen und deren Beziehungen zueinander.

Ab einem gewissen Punkt kann es für ein KI-Modell nützlich oder nötig sein, interne Strukturen zu lernen, die Teile der beschriebenen Welt abbilden. Dass künstliche Intelligenz das teils schon kann, hat Anthropic bei seinem eigenen Modell untersucht: Forschende identifizierten in Claude Millionen sogenannter „Features“. Gemeint sind wiederkehrende Aktivierungsmuster, die mit bestimmten Konzepten korrespondieren. Manche davon stehen für konkrete Dinge wie Orte oder Personen, andere für abstraktere Muster wie Programmierfehler oder Betrugsverdacht.

Vom Weltmodell zum Zellenmodell

Wie kommt man nun vom Weltmodell zum Zellenmodell? Ganz einfach: Die Zelle ist die kleinste strukturelle und funktionelle Einheit des Lebens – und zugleich eines der komplexesten Systeme, an denen sich der forschende Mensch je versucht hat. Tausende gleichzeitig aktive Gene, sehr viele Proteinmoleküle und ein dichtes Netz biologischer Interaktionen wirken zusammen – ein Orchester ganz ohne Dirigent, das trotzdem im Takt bleibt.

Die KI-Entwicklung im Fachbereich Biologie verlief in Wellen, die sich teilweise überlappten: zunächst gab es sequenzbasierte Modelle für DNA und Proteine. Ein weiterer sichtbarer Durchbruch waren Modelle zur Vorhersage biologischer Strukturen, insbesondere von Proteinen. Schließlich kamen Modelle für die Einzelzell-Transkriptomik dazu – und nun der Versuch, all diese Ebenen in einem einzigen, dynamischen Weltmodell der Zelle zu vereinen. Der wirtschaftliche Anreiz ist groß, denn wer Experimente „in silico“, also am Computer, statt im Labor durchführt, spart viel Geld und Zeit – wenngleich experimentelle Bestätigung nicht ersetzbar ist.

Der Wettlauf um die digitale Zelle

Mitte August 2026 sorgte das US-Startup GenBio AI mit „AIDO Cell“ – „AI-Driven Digital Organism“ – und der Preview eines multiskaligen, zustandsbehafteten Modells der menschlichen Zelle für Aufsehen. GenBio behauptet, AIDO Cell könne genetische und pharmakologische Eingriffe über mehrere Ebenen – DNA, RNA, Proteine, regulatorische Netzwerke und Zellverhalten – durchspielen; in der Preview zunächst für zwei Zelllinien. Das 2024 gegründete Unternehmen will sich damit als einer der Vorreiter der „virtuellen Zelle“ positionieren. Im Juni 2026 kam eine Partnerschaft mit NVIDIA hinzu.

So spannend das klingt: GenBio ist mit diesem Unterfangen keineswegs allein. Virtuelle Zellmodelle könnten künftig Wirkstoffforschung und Toxikologie beschleunigen. In der Medizin eröffnen sie Chancen für personalisierte Onkologie und die Erforschung seltener Erkrankungen. Trotzdem bleiben Datenqualität, biologische Komplexität, Skalierbarkeit und vor allem experimentelle Validierung ausdrücklich offene Baustellen.

Virtuelle Zelle, digitaler Zwilling oder digitaler Organismus?

Neu ist nicht die Idee, Zellen rechnerisch zu modellieren. Neu ist vor allem die Kombination aus sehr großen, teils multimodalen biologischen Datensätzen und neuronalen Foundation Models.

Während frühere Modelle vor allem einfache Organismen detailliert beschrieben, versuchen neue datengetriebene Systeme, Zustände und Reaktionen menschlicher Zellen über mehrere biologische Ebenen hinweg vorherzusagen.

Ein kurzer Begriffs-Check lohnt sich, denn „virtuelle Zelle“, „digitale Zelle“ und „digitaler Zwilling“ werden nicht einheitlich verwendet. Eine virtuelle Zelle ist ein Computermodell, das ausgewählte Zellzustände oder Reaktionen auf Eingriffe – etwa Gen-Knockouts oder Wirkstoffe – simuliert beziehungsweise vorhersagt.

Ein digitaler Zwilling einer Zelle oder eines Tumors ist anspruchsvoller. Er müsste mit einem konkreten physischen Gegenstück verknüpft sein, relevante individuelle Messdaten integrieren, mit neuen Daten dynamisch aktualisiert werden und belastbare Vorhersagen für Entscheidungen liefern. In der Medizin und insbesondere bei patienten- oder tumorspezifischen Anwendungen ist dies überwiegend noch Forschungs- und Validierungsarbeit.

Was Unternehmen daraus lernen können

Für Unternehmen liegt eine vergleichbare Chance nicht zwingend in einem universellen „Weltmodell“, sondern vielmehr in domänenspezifischen Simulations- und Kausalmodellen. Sie könnten helfen, die wahrscheinlichen Folgen klar definierter Eingriffe vorab zu bewerten: Was passiert mit Kosten, Lieferfähigkeit, Qualität oder Compliance, wenn ein Unternehmen einen Prozess umstellt, einen Lieferanten wechselt oder eine Preisregel verändert? Solche Modelle liefern keine Gewissheit, sondern szenariobasierte Aussagen unter transparenten Annahmen.

Der entscheidende Unterschied liegt zwischen Prognose und Intervention: Ein Forecast kann schätzen, wie sich eine Kennzahl fortentwickelt. Ein kausales Modell soll zusätzlich beantworten, wie sich die Kennzahl verändern würde, wenn das Unternehmen gezielt handelt. Dafür reichen historische Beobachtungsdaten häufig nicht aus, weil Korrelationen durch unbeobachtete Faktoren verzerrt sein können. Besonders wertvoll sind deshalb sauber dokumentierte Prozessänderungen, geeignete Vergleichsgruppen und – sofern machbar – randomisierte Tests.

Weltmodelle gelten als möglicher Baustein auf dem Weg zu leistungsfähigeren, planenden KI-Systemen. Ob sie für eine mögliche Artificial General Intelligence notwendig oder ausreichend sind, ist offen. Für Unternehmen ist der unmittelbare Nutzen konkreter: nicht nur punktuelle Vorhersagen, sondern besser geprüfte Szenarien und Entscheidungen in klar umrissenen Geschäftsprozessen.

Dies sind Gedanken, die sich vortrefflich weiterspinnen lassen – gerne auch in den Kommentaren.