Das schmutzige Geheimnis der KI-gestützten Biologie: Warum selbst die klügsten Modelle an der Datenbeschaffung scheitern

Für Menschen optimiert – für Agenten eine Sackgasse

NCBI Virus und viele andere öffentliche biologische Datenbanken wurden für interaktive, webbrowserbasierte Arbeitsabläufe entwickelt. Wissenschaftler klicken sich durch Filter, prüfen Ergebnisse manuell und verlassen sich auf visuelle Hinweise. Diese Benutzerlogik ist mit autonomen Agenten, die strukturierte, programmatische Befehle erwarten, grundsätzlich inkompatibel .

Radikal nicht-deterministische Ergebnisse

Das vernichtendste Ergebnis war die Unbeständigkeit der Resultate. Als die Forscher Claude Sonnet 4 dreimal aufforderten, Ebolavirus-Sequenzen abzurufen – basierend auf einer verifizierten Grundgesamtheit von 266 – gab das Modell beim ersten Versuch 106, beim zweiten 15 und beim dritten nur 5 Sequenzen zurück. Der Prompt blieb unverändert, nur das Ergebnis variierte extrem .

Dabei geht es nicht nur um ein paar fehlende Datensätze. In einer Simulation verfälschte eine fehlerhafte Datenabfrage eine phylogenetische Analyse so stark, dass der Ursprung eines Ebola-Ausbruchs auf das Jahr 1922 anstatt auf das korrekte Datum 2014 geschätzt wurde. Die KI hatte die Wissenschaft nicht halluziniert – sie wurde mit einem kaputten Datensatz gefüttert und baute pflichtbewusst eine falsche Schlussfolgerung darauf auf .

Brüchige, fragmentierte Infrastruktur

Biologische Daten sind über Dutzende von Datenbanken mit inkompatiblen Bezeichnern, unterschiedlichen Metadatenstandards und ohne versionierte Programmierschnittstellen (APIs) verstreut. Softwareentwickler verlassen sich auf Paketmanager und versionierte Endpunkte; Bioinformatiker hingegen schreiben oft Skripte für inkonsistente Web-Schnittstellen, die sich ohne Vorankündigung ändern können .

Die deterministische Lösung: gget virus

Anstatt ein noch intelligenteres Modell zu trainieren, baute das Team eine bessere Abrufschicht. gget virus ist ein schlankes, deterministisches Framework, das die Filterlogik von NCBI Virus in ein reproduzierbares, programmatisches System überführt .

Funktionsweise: Es wendet Metadaten-Filter an, bevor die eigentlichen Sequenzen heruntergeladen werden, ruft selektiv nur die passenden strukturierten GenBank-Einträge ab und reduziert so das zu übertragende Datenvolumen bei umfangreichen Abfragen um über 98 % – bei vollständiger Nachvollziehbarkeit der Filterkriterien. Das Ergebnis ist bei jeder Abfrage derselbe Datensatz – eine Eigenschaft, die KI-Agenten dringend benötigen, die die alte Infrastruktur aber nicht liefern konnte .

Die Auswirkungen waren unmittelbar und dramatisch. Als autonome KI-Systeme gget virus als Backend für die Datenabfrage nutzten:

• Stieg die Genauigkeit für alle getesteten Modelle auf mindestens 90,0 %, wobei GPT-5.5 sogar 99,7 % erreichte.
• Erhöhten sich die Stabilitätsmetriken auf breiter Front auf Werte zwischen 0,92 und 1,00.
• Brach die Fehlermagnitude, insbesondere die katastrophale Art, die wissenschaftliche Schlussfolgerungen verfälscht, drastisch ein .

Die Schlussfolgerung ist eindeutig: Der begrenzende Faktor für die KI-gestützte Biologie ist nicht die Schlussfolgerungsfähigkeit der Modelle – es ist der deterministische Datenzugriff. Wenn die richtige Abrufschicht hinzugefügt wird, können heutige Agenten bereits zuverlässige Arbeit leisten .

Biologische Dateninfrastruktur für das KI-Zeitalter neu denken

Die Erfolgsgeschichte von gget virus ist ein Konzeptbeweis für einen viel größeren Wandel. Laut den Forschern ist dieses Muster nicht auf die Virologie beschränkt: Allein das NCBI beherbergt über 30 Datenbanken, die von ähnlichen deterministischen Wrappern profitieren würden .

Von menschenorientiert zu agent-nativ

Biologische Datenbanken müssen sich weiterentwickeln und gut dokumentierte, versionierte APIs mit standardisierten Filtern und reproduzierbaren Abfragesemantiken bereitstellen. Dies ist das Äquivalent zu dem, was Softwareentwickler von Paketmanagern und Versionskontrollsystemen gewohnt sind – eine kritische Infrastruktur, die den Biowissenschaften derzeit fehlt .

Der Vorstoß zu föderierten, KI-skalierbaren Daten

In einem parallelen Vorstoß veröffentlichte die Chan Zuckerberg Initiative eine Roadmap, die interoperable, übergreifende biologische Datensätze fordert, die über Kommandozeilenschnittstellen und maschinenlesbare Standards abgefragt werden können. Ihre Vision: eine Welt, in der Wissenschaftler multimodale Daten mit einer einzigen föderierten Abfrage suchen, analysieren und herunterladen können, was KI-skalierte Entdeckungen ohne das aktuelle Abrufchaos ermöglicht .

CZI handelt bereits und entwickelt eine CLI für den föderierten Datenzugriff und initiiert das Billion Cells Project, einen bahnbrechenden Einzelzell-Datensatz, der darauf abzielt, KI-Modelle der nächsten Generation zu trainieren. Das Ziel ist eine grundlegende Infrastruktur, die biologische Daten für Maschinen so zugänglich macht, wie Code-Repositories für Entwickler .

Die Lektion reicht über die Biologie hinaus

Die Kernaussage – dass veraltete, für Menschen geschaffene Schnittstellen KI-Agenten scheitern lassen – gilt für das gesamte wissenschaftliche Rechnen. Deterministische, programmatische Zugriffsschichten sind kein Luxus, sondern eine Grundvoraussetzung dafür, autonome Systeme zuverlässig in die Forschung einzubinden. Die Lösung liegt nicht im Warten auf ein klügeres Modell, sondern im Ausbau der Straßen.