KI-entworfene Viren erreichten einen Patienten. Ob sie halfen, sagt die Firma nicht.

Am 20. Oktober veröffentlichte ein Start-up namens Radical Numerics aus San Francisco einen Blogbeitrag mit einer Behauptung, die üblicherweise mit einer Zeitschriftenreferenz kommt: Erstmals seien von einem KI-Modell entworfene Viren einem menschlichen Patienten verabreicht worden.

Die Viren sind Bakteriophagen — kurz Phagen —, die natürlichen Feinde von Bakterien. Sie können menschliche Zellen nicht infizieren, und die Phagentherapie hat eine wechselhafte, gut hundertjährige Geschichte und eine jüngste Wiederbelebung, während sich Antibiotikaresistenzen ausbreiten. Der schwierige Teil war nie das Konzept. Es ist, einen Phagen zu finden, der genau das Bakterium vor einem abtötet — was heute bedeutet, Sammlungen zu durchsuchen und, wenn nichts passt, Varianten von Hand zu konstruieren.

Radical Numerics' Beitrag heißt Omnii-1, ein multimodales Genom-Sprachmodell. Es ist auf genomischen Sequenzen und Multiomics-Daten vortrainiert und anschließend auf Phagengenomen weitertrainiert. Das entscheidende Detail für das Design ist der Kontext: Omnii-1 kann DNA für eine gewählte Region erzeugen und dabei die Sequenz auf beiden Seiten einbeziehen — genau das hält den Rest eines Phagen lebensfähig, während man den Teil umschreibt, der über sein Ziel entscheidet.

Das Zielobjekt illustriert das Problem gut. T7, ein gut untersuchter E.-coli-Phage, hat ein Genom von rund 40 Kilobasen — mehr als siebenmal so groß wie die 5,4 Kilobasen von ΦX174, das in der EvoPhage-Arbeit verwendet wurde, die Anfang des Jahres in Science erschien. Radical Numerics nahm sich gp17 vor, die rezeptorbindende Schwanzfaser von T7, also das Protein, das entscheidet, an welche Bakterienoberfläche der Phage andocken kann.

Die Zahlen im Beitrag sind nachprüfbar: Von entworfenen Varianten mit 11 bis 15 Aminosäureänderungen gegenüber dem Wildtyp wurden 69,9 Prozent nach dem „Rebooting“ wiedergefunden, gegenüber 4,8 Prozent bei Zufallskontrollen. Der Vorsprung hielt über den gesamten getesteten Bereich von einer bis dreißig Änderungen. Von 6.694 Varianten mit messbarer Aktivität übertrafen 2.161 den Wildtyp, darunter Varianten mit bis zu 28 Änderungen; Zufallskontrollen, die den Wildtyp schlugen, lagen nie mehr als fünf Änderungen entfernt.

Auch die Priorisierung wirkt praktisch. Bei zwei E.-coli-Stämmen überschritten 97 beziehungsweise 96 von Omnii-1s 100 besten Kandidaten die Aktivitätsschwelle. Bei einem dritten Stamm, wo nur 4,5 Prozent der getesteten Bibliothek die Schwelle schafften, waren es 24 Prozent der Modell-Spitzenreiter. Für die Wirt-Vorhersage hielt das Team eine gesamte E.-coli-Klade von 37 Stämmen zurück; Omnii-1 erreichte mit nur zwei empfohlenen Phagen noch 91,4 Prozent der geeigneten Stämme. Bei Pseudomonas aeruginosa hob die zusätzliche Nutzung von E.-coli-Interaktionsdaten die Average Precision von 0,570 auf 0,608 und lag damit knapp vor dem spezialisierten GenoPHI-Verfahren (0,581) — dessen Leistung mit den artenübergreifenden Daten bemerkenswerterweise sank.

Dann die klinische Behauptung. Ein Cocktail mit Omnii-1-entworfenen Varianten beseitigte den antibiotikaresistenten Isolat des Patienten im Labortest und wurde im Rahmen einer ärztlich geführten Compassionate-Use-Anwendung verabreicht. Compassionate Use ist der Weg, auf dem nicht zugelassene Therapien Patientinnen und Patienten erreichen, für die es keine Optionen mehr gibt — unter regulatorischer Aufsicht. Sie ist konstruktionsbedingt kein Wirksamkeitsnachweis.

Radical Numerics erklärt, Verlauf und Ergebnis der Behandlung nicht offenzulegen, weil selbst begrenzte klinische Angaben die Person identifizierbar machen könnten. Die üblichen Vorbehalte liefert das Unternehmen selbst: nicht für die breitere Anwendung zugelassen, ein einzelner Patient kann Sicherheit oder Wirksamkeit nicht belegen.

Die anschließende Kritik ist berechtigt und sollte klar benannt werden. Hinter der klinischen Behauptung steht keine begutachtete Publikation, es gibt keine klinischen Details für eine unabhängige Prüfung, und keine externe Gruppe kann überprüfen, ob das Ergebnis dem entspricht, was die Ankündigung nahelegt. Die Laborarbeit ist detaillierter dokumentiert als in den meisten Start-up-Beiträgen — aber sie bleibt ein Unternehmen, das seine eigenen Ergebnisse beschreibt.

Was den Meilenstein trotzdem real macht, ist die Richtung. Eine Schleife von Design zu Klinik, die einst das Durchsuchen von Umweltproben erforderte, hat jetzt ein generatives Modell in der Mitte, und die Ausgaben dieses Modells werden in Laboren getestet — und einmal in einem Menschen. Ob daraus ein wiederholbarer Weg wird, hängt an Fragen, die der Beitrag nicht beantwortet: wie schnell ein Cocktail für ein neues Isolat entsteht, wie oft die Bakterien ihm ausweichen, und ob jemand außerhalb des Unternehmens die Design-Pipeline reproduzieren kann.

Ein Patient ist ein Datenpunkt, keine Studie. Aber zum ersten Mal steht der Satz „KI-entwickeltes Therapeutikum“ mit einem Menschen am anderen Ende.