Logo des EuroHPC. Wikimedia, CC0 1.0 Universal.


Die wissenschaftliche Grundlage sei solide, und die Rechenkapazität des European High Performance Computing Joint Undertaking (EuroHPC JU) reiche grundsätzlich aus, um die größten der untersuchten Modelle zu trainieren. Jedoch stellten Koordination, Daten-Governance* und die Zusammenarbeit innerhalb der EU die entscheidenden Hemmfaktoren dar. 

KI-Modelle für die Biologie entwickeln sich rasant weiter und verändern die Art und Weise, wie Forschung unter anderem in den Bereichen Proteindesign, Genomanalyse und Wirkstoffforschung betrieben wird. Für ihre Untersuchungen haben die Wissenschaftler:innen eine strukturierte Analyse von 480 biologischen KI-Systemen mit einer Bewertung der wissenschaftlichen Reife, der Einsatzbereitschaft und der aktuellen Hindernisse kombiniert.

In ihrem Bericht ziehen die Forscher:innen vier Schlussfolgerungen. Die Fortschritte bei den Forschungsmodellen im Bereich der biologischen KI seien real. jedoch entwickelten sich die biologische KI-Modelle dort am schnellsten, wo Daten reichlich vorhanden und strukturiert sind (Proteinstruktur, Moleküldesign, Sequenzmodellierung). Im Gegensatz dazu hinken sie in der Einzelzellbiologie, Metabolomik oder klinischen Umsetzung hinterher. Die Politik solle daher dieser Konzentrationsdynamik entgegenwirken, durch welche sonst bahnbrechende Erfolge Talente und Investitionen aus unterversorgten Bereichen abziehen könnten.

Die EU verfüge über die Grundlagen zur Entwicklung biologischer KI-Modelle, es mangele jedoch an Koordination. Es gäbe ausreichend Rechenkapazität, um selbst die größten der untersuchten biologischen KI-Modelle zu trainieren. Dennoch gehöre nur eine europäische Einrichtung - nämlich die TU München - zu den 20 weltweit führenden Entwicklern. Die Zusammenarbeit innerhalb der EU hinke der Zusammenarbeit zwischen der EU und den USA hinterher.

Wissenschaftliche Reife eines biologischen KI-Modells bedeute nicht automatisch auch Einsatzbereitschaft. Keines der derzeit gängigen Modelle keines dieser Modelle habe eine umfassende Bewertung der Einsatzreife für den klinischen, regulatorischen oder industriellen Einsatz durchlaufen.

Zudem gingen derzeitige politische Rahmenbedingungen der EU von Bewertungsmethoden für biologische KI-Modelle aus, die noch nicht existieren. Erhebliche Unsicherheiten bestünden hinsichtlich der Methoden zur Sicherheitsbewertung, des Dual-Use-Risikoprofils öffentlich zugänglicher Modelle sowie der Entwicklung der Entwicklungskapazitäten in der EU. Daher gehörten zu den politischen Handlungsoptionen  eine koordinierte Steuerung biologischer Trainingsdaten, die koordinierte Nutzung der europäischen Recheninfrastruktur und Anreize für die EU-interne Zusammenarbeit im Bereich der biologischen KI sowie eine harmonisierte Reifegradbewertung.

Quelle und weitere Informationen:

Originalpublikation:
Ruiz Serra, V. and Fortuna, P. and Curion, F. and Petrillo, M. and Leoni, G. and Bili, D. and Melandri, D. and Vangheluwe, N. and Comte, V. and Bertolini Agnoletto, L. and Coecke, S. and Ceresa, M. and Querci, M. and Wiesenthal, T. (2026). Artificial Intelligence for Biology: Capabilities, Readiness, and Policy Implications. Publications Office of the European Union. doi:10.2760/9397036.
https://publications.jrc.ec.europa.eu/repository/handle/JRC147549
https://www.eurohpc-ju.europa.eu/index_en

Website des JRC:
https://joint-research-centre.ec.europa.eu/

* Daten-Governance bezeichnet die Gesamtheit der rechtlichen, ethischen, organisatorischen und technischen Maßnahmen, die den Umgang mit Daten regeln.