Virtuelle Zellen: Konkrete Plattformen treffen auf ernüchternde Benchmarks

Ginkgo und Arc starten konkrete Plattformen für virtuelle Zellen

Ginkgo Bioworks hat am 20. November 2025 über seine Tochter Ginkgo Datapoints die Virtual Cell Pharmacology Initiative (VCPI) gestartet. Die Plattform ist als Open-Source-Projekt angelegt und soll nach Angaben des Unternehmens den ersten standardisierten Rahmen für die virtuelle Zellmodellierung in der Wirkstoffentwicklung schaffen. Geplant ist, mindestens 100.000 Verbindungen zu testen und dabei mehr als 12 Milliarden Datenpunkte zu generieren. Der General Manager von Ginkgo Datapoints, John Androsavich, wird mit den Worten zitiert: 'We're not just generating data; we're creating the standard for how this field should develop.' Die Initiative zielt darauf ab, Forscher, Pharmaunternehmen und KI-Entwickler in einem gemeinschaftlichen Ansatz zusammenzubringen, um den größten öffentlichen Datensatz dieser Art aufzubauen. Anders als andere Initiativen, die fertige Datensätze veröffentlichen, erlaubt VCPI nach Angaben von Ginkgo Beitragenden, bereits vor der Datenerstellung teilzunehmen, indem das Unternehmen kostenlose Hochdurchsatz-RNA-Profilerstellung über Ginkgo Datapoints anbietet. Parallel hat das Arc Institute sein erstes virtuelles Zellmodell mit dem Namen 'State' vorgestellt. Das Modell basiert auf der Vorhersage von Genexpressionsänderungen bei chemischen oder genetischen Perturbationen und soll Zellzustandsänderungen abbilden, etwa den Übergang von gesund zu entzündet oder kanzerös. Das Institut beschreibt 'State' als ersten Schritt zu einem hochprädiktiven virtuellen Zellmodell, das helfen könnte, die hohe Ausfallrate von Medikamenten in klinischen Studien von rund 90 Prozent zu reduzieren. Beide Ankündigungen markieren eine Verschiebung: von reinen Vision-Papieren hin zu ersten konkreten Plattformen und Modellen.

Einheitlicher Rahmen aus Stanford, Harvard und Microsoft Research

Bereits im Dezember 2024 veröffentlichten Forscher der Stanford University, der Harvard University und von Microsoft Research in der Fachzeitschrift Cell einen einheitlichen Rahmen für AI Virtual Cells. Das Paper schlägt vor, virtuelle Zellen als hochauflösende Simulationen von Zellen und zellulären Systemen zu konstruieren, die direkt aus biologischen Daten über verschiedene Messskalen hinweg gelernt werden. Zwei zentrale Fähigkeiten werden hervorgehoben: die Generierung universeller Repräsentationen biologischer Entitäten über Skalen hinweg sowie die Ermöglichung interpretierbarer In-silico-Experimente, die Vorhersagen und Verständnis des Zellverhaltens erlauben. Die Autoren skizzieren zudem Anforderungen an Daten, Evaluierungsstrategien und Community-Standards, um biologische Genauigkeit und breiten Nutzen sicherzustellen. Die technische Architektur wird in vier Ebenen beschrieben: multimodale biologische Datenvorverarbeitung, dynamische Simulation von Zellzuständen, autonome KI-Workflow-Planung und geschlossene experimentelle Validierung im Wechsel zwischen Simulation und Labor. Das Papier gilt als wissenschaftliche Grundlage für die aktuellen Initiativen, da es erstmals einen konsensfähigen technischen Rahmen definiert und offene Forschungsfragen benennt. Es betont die Notwendigkeit offener Wissenschaftskooperationen zwischen akademischen Einrichtungen, Stiftungen, Biopharma- und KI-Industrie, um eine umfassende prädiktive Modellierung von Zellmechanismen zu erreichen. Die Veröffentlichung markierte den Übergang von fragmentierter akademischer Forschung zu einer systematischen, industriegetriebenen Entwicklungsphase.

Benchmarking-Studien entlarven Leistungslücken

Unabhängige Studien zeichnen ein deutlich nüchterneres Bild der aktuellen Leistungsfähigkeit virtueller Zellmodelle. Eine auf arxiv veröffentlichte Benchmarking-Studie führt einen standardisierten und modularen Rahmen ein, der Modelle unter anspruchsvollen Szenarien testet: ungesehene Zellkontexte, ungesehene Perturbationen und Cross-Dataset-Generalisierung. Die Ergebnisse zeigen, dass die Modellleistung stark kontextabhängig ist und von Aufgabenstellung und Evaluationskriterien geprägt wird. In gängigen Setups wird die Leistung oft überschätzt; naive Datensatz-Aggregation kann die Performance sogar verschlechtern. Unter strengeren Bedingungen fällt die Leistung deutlich ab, was auf begrenzte Robustheit gegenüber Verschiebungen zwischen zellulären Kontexten hinweist. Bei ungesehenen Perturbationen erfassen selbst einfache lineare Ansätze globale transkriptionelle Trends. Eine separate Studie von Shift Bioscience führt neue Metriken und Baselines zur Bewertung virtueller Zellmodelle ein. Das Biotechnologieunternehmen, das an Zellverjüngung und Therapien für altersbedingte Krankheiten arbeitet, stellt fest, dass prominente virtuelle Zellmodelle bei Verwendung von Performance-Metriken oft von einem einfachen Datensatz-Mittelwert übertroffen wurden. Diese Unterperformance hat nach Angaben des Unternehmens das volle Potenzial virtueller Modelle zur Beschleunigung der Gen-Target-Entdeckung behindert. Die neuen Metriken sollen eine bessere Rangfolge der Modelle ermöglichen und so die Entwicklung und Priorisierung in der eigenen Pipeline unterstützen. Beide Studien unterstreichen, dass die Diskrepanz zwischen Standard-Benchmarks und realen Bedingungen zentral ist und strengere Evaluierungsprotokolle erforderlich sind.

Herausforderungen: Daten, Interpretierbarkeit, Regulierung

Mehrere wissenschaftliche Reviews benennen zentrale Herausforderungen für KI-getriebene virtuelle Zellmodelle. Dazu gehören Datenheterogenität, Modellinterpretierbarkeit, regulatorische Akzeptanz und Datenprivatsphäre. Die Integration multimodaler Omics-Daten mit fortgeschrittenen Algorithmen wie tiefen generativen Modellen und Graph-Neuronalen-Netzen verspricht zwar hochpräzise Vorhersagen, doch bleiben viele Modelle korrelativ, erfordern aufgabenspezifisches Training und übertreffen einfachere Ansätze nicht konsistent. Ein Review aus dem Institute of Biomedical Engineering argumentiert, dass künftiger Fortschritt von der Überwindung dieser Limitationen abhängt. Regulatorische Hürden und Datenschutzbedenken erschweren zudem die klinische Translation, auch wenn globale Politik- und Standardisierungstrends diese vorantreiben. Ein verwandtes Beispiel für dieselbe Grundidee ist der digitale Zwilling für Mitochondrien-Dynamik, der ebenfalls darauf abzielt, biologische Prozesse computergestützt nachzubilden und vorherzusagen. Die genannten Herausforderungen gelten auch dort: Ohne robuste Datenstandards und interpretierbare Modelle bleibt der praktische Nutzen begrenzt.

Anbieter-Versprechen vs. unabhängige Realität

Zwischen den optimistischen Darstellungen der Anbieter und den Befunden unabhängiger Studien klafft ein deutlicher Widerspruch. Ginkgo Bioworks bezeichnet die VCPI als ersten standardisierten Rahmen und zitiert seinen Manager mit dem Anspruch, den Standard für das Feld zu setzen. Das Arc Institute stellt 'State' als ersten Schritt zu einem hochprädiktiven Modell dar, das die 90-prozentige Ausfallrate von Medikamenten in klinischen Studien reduzieren könnte. Unabhängige Benchmarking-Studien zeigen jedoch, dass aktuelle Modelle unter realen Bedingungen oft schlecht abschneiden, von einfachen Baselines wie dem Datensatz-Mittelwert übertroffen werden und ihre Leistung in gängigen Evaluationssetups überschätzt wird. Die Ursache liegt in unterschiedlichen Evaluationsprotokollen: Anbieter nutzen häufig vereinfachte oder interne Benchmarks, die die Komplexität realer biologischer Systeme nicht abbilden. Unabhängige Studien testen dagegen strengere, realitätsnähere Szenarien wie ungesehene Zellkontexte und Perturbationen. Zudem betonen Anbieter das langfristige Potenzial, während unabhängige Studien den aktuellen Stand der Technik bewerten. Diese Diskrepanz ist kein Widerspruch in den Daten, sondern eine Frage der Messlatte: Was unter Laborbedingungen vielversprechend wirkt, kann unter Praxisbedingungen enttäuschen. Für die weitere Entwicklung des Feldes ist daher eine Angleichung der Evaluationsstandards entscheidend, um Fortschritte nicht zu überschätzen und belastbare Grundlagen für die Wirkstoffentwicklung zu schaffen.