Zum Inhalt springen
Realistic scenario: When (and whether) an AI will autonomously take control over the creation of artificial life

Realistic scenario: When (and whether) an AI will autonomously take control over the creation of artificial life

Current situation (2026) In mid-2026 the convergence of generative AI and synthetic biology has reached an important inflection point, but full autonomy is still not here. AI models (such as Evo 2 and successor genomic language models) can already generate functional short genomes, including the first AI-designed bacteriophages. Autonomous labs (for example Ginkgo Bioworks working with OpenAI systems) already run closed Design-Build-Test-Learn cycles: the AI proposes experiments, robots execute them, data flow back, and the AI optimizes. In one documented case more than 36,000 reactions were run with only minimal human intervention. Cloud labs and biofoundries make parts of this process remote and scalable. Nevertheless, the AI still designs and iterates under clear human goals. Physical DNA synthesis, cell assembly and “booting” a genome inside a living cell still require human approvals, specialized facilities and safety checks. Completely autonomous creation… 

more »Realistic scenario: When (and whether) an AI will autonomously take control over the creation of artificial life

Ethik der Organoid-Forschung

Organoide – dreidimensionale, aus Stammzellen gewachsene Miniaturversionen menschlicher Organe – haben die biomedizinische Forschung in wenigen Jahren verändert. Besonders Gehirnorganoide werfen dabei ethische Fragen auf, die über die übliche Stammzelldebatte hinausgehen. Zentrale ethische Spannungsfelder 1. Moralischer Status und mögliche EmpfindungsfähigkeitJe komplexer neuronale Organoide und Assembloide werden, desto häufiger stellt sich die Frage, ob sie irgendwann Bewusstsein, Schmerzempfinden oder eine Form von Subjektivität entwickeln könnten. Derzeit gibt es keine überzeugenden Hinweise darauf, dass bestehende Organoide empfindungsfähig sind. Dennoch fordern Ethiker vorausschauende Kriterien und Beobachtungsprotokolle, falls sich die biologische Komplexität weiter erhöht. 2. Informierte Einwilligung der SpenderViele Organoide entstehen aus iPS-Zellen, die aus Blut- oder Hautspenden gewonnen wurden. Die ursprüngliche Einwilligung deckt oft nur „biomedizinische Forschung“ ab. Anwendungen wie Organoid-Intelligenz (biologisches Computing) oder kommerzielle Nutzung waren zum Zeitpunkt der Spende nicht absehbar. Experten fordern daher spezifischere oder dynamische Einwilligungsverfahren und die Möglichkeit,… 

more »Ethik der Organoid-Forschung

Explainer: Heart-on-a-Chip

Heart-on-a-Chip (also called cardiac organ-on-a-chip or cardiac microphysiological system) is a microfluidic platform that recreates key structural and functional features of human heart tissue in a miniature, controllable format. Core Components Key Capabilities Main Applications Current State (2025–2026) Advanced systems now include: Advantages over Traditional Models Remaining Challenges Heart-on-a-Chip technology has evolved from simple contracting microtissues into sophisticated, sensor-equipped, and sometimes vascularized systems. It is currently one of the most promising tools for improving the predictive power of preclinical cardiac research.

Dossier: Organ-on-a-Chip Herzmodelle

Organ-on-a-Chip-Herzmodelle (Heart-on-a-Chip) Heart-on-a-Chip-Systeme sind mikrofluidische Plattformen, die menschliche Herzgewebe in miniaturisierter, physiologisch relevanter Form nachbilden. Sie kombinieren meist iPSC-abgeleitete Kardiomyozyten (häufig mit Fibroblasten und Endothelzellen) in 3D-Strukturen und ermöglichen die simultane Messung von Kontraktilität, Elektrophysiologie, Kalzium-Handling und Metabolismus unter kontrollierten Bedingungen. Aufbau und Funktionsprinzip Anwendungen Aktuelle Entwicklungen (Stand 2025/2026) Vorteile gegenüber klassischen Methoden Herausforderungen Heart-on-a-Chip-Technologie hat sich von einfachen kontrahierenden Geweben zu komplexen, vaskularisierten und sensorintegrierten Systemen entwickelt und gilt als eines der vielversprechendsten Werkzeuge für die präklinische Herzforschung und personalisierte Medizin. Organ-on-a-Chip-Herzmodelle (Heart-on-a-Chip) Heart-on-a-Chip-Systeme sind mikrofluidische Plattformen, die menschliche Herzgewebe in miniaturisierter, physiologisch relevanter Form nachbilden. Sie kombinieren meist iPSC-abgeleitete Kardiomyozyten (häufig mit Fibroblasten und Endothelzellen) in 3D-Strukturen und ermöglichen die simultane Messung von Kontraktilität, Elektrophysiologie, Kalzium-Handling und Metabolismus unter kontrollierten Bedingungen. Aufbau und Funktionsprinzip Anwendungen Aktuelle Entwicklungen (Stand 2025/2026) Vorteile gegenüber klassischen Methoden Herausforderungen Heart-on-a-Chip-Technologie hat sich von… 

more »Dossier: Organ-on-a-Chip Herzmodelle

Kardiomyozyten-Reifungsprotokolle – Überblick

Aus induzierten pluripotenten Stammzellen (iPSC) gewonnene Kardiomyozyten (iPSC-CMs) bleiben in Standardkulturen meist unreif und ähneln eher fötalen als adulten Herzmuskelzellen. Für Krankheitsmodelle, Wirkstofftests und regenerative Anwendungen sind deshalb spezielle Reifungsprotokolle erforderlich. Die wichtigsten Strategien lassen sich in mehrere Kategorien einteilen: 1. Metabolische Reifung 2. Längere Kulturzeiten und 3D-Systeme 3. Mechanische und elektrische Stimulation 4. Hormonelle und molekulare Modulation 5. Co-Kultur und komplexe Systeme Praktische Hinweise Die aktuelle Forschung (u. a. zu PRDM16) zielt darauf ab, den Übergang von Proliferation zu funktioneller Spezialisierung präziser zu steuern und so physiologisch relevantere Herzgewebe herzustellen.

Protein PRDM16 steuert die Reifung menschlicher Herzmuskelzellen

Protein PRDM16 steuert die Reifung menschlicher Herzmuskelzellen

Kyoto – Das Protein PRDM16 wirkt als entwicklungsbiologischer „Rheostat“ und reguliert das Gleichgewicht zwischen Vermehrung und Reifung menschlicher Herzmuskelzellen. Bei niedrigen Spiegeln bleibt die proliferative Kompetenz erhalten; höhere Spiegel fördern strukturelle, metabolische und funktionelle Merkmale reifer Herzmuskelzellen. Das zeigt eine Studie des Center for iPS Cell Research and Application (CiRA) der Universität Kyoto, die in Stem Cell Reports veröffentlicht wurde (DOI: 10.1016/j.stemcr.2026.103005). Während der Embryonalentwicklung vermehren sich Herzmuskelzellen, um das Herz aufzubauen. Nach der Geburt ziehen sie sich aus dem Zellzyklus zurück und spezialisieren sich – was die regenerative Kapazität stark einschränkt. Aus induzierten pluripotenten Stammzellen (iPS-Zellen) gewonnene Herzmuskelzellen bleiben häufig unreif und begrenzen damit Anwendungen in der regenerativen Medizin. Die Forschenden untersuchten iPS-Zell-abgeleitete Kardiomyozyten mit Fluoreszenz-Zellzyklus-Reportern, Transkriptomanalysen und künstlichen Herzgeweben. PRDM16-defiziente Zellen zeigten erhöhte proliferative Regulatoren (CDK1, phospho-AKT), verstärkte Zellzyklusaktivität, gestörte Sarkomer-Organisation, eingeschränkte Mitochondrienfunktion und verminderte Kontraktionsleistung. Eine moderate… 

more »Protein PRDM16 steuert die Reifung menschlicher Herzmuskelzellen

Proteindesign mit RFdiffusion erklärt

RFdiffusion ist eines der leistungsfähigsten generativen KI-Modelle für das de novo-Proteindesign. Es stammt aus dem Labor von David Baker (University of Washington / Institute for Protein Design) und wurde 2023 in Nature veröffentlicht. Grundprinzip RFdiffusion basiert auf einem Denoising-Diffusion-Modell – dem gleichen Ansatz, der bei Bildgeneratoren wie DALL·E oder Stable Diffusion zum Einsatz kommt. Statt aus einer Sequenz eine Struktur vorherzusagen (wie AlphaFold), macht RFdiffusion das Gegenteil: Es startet mit reinem Rauschen (zufällige Koordinaten und Orientierungen) und entfernt das Rauschen schrittweise, bis eine realistische Protein-Rückgratstruktur (Backbone) entsteht. Technisch wurde dazu das Strukturvorhersage-Netzwerk RoseTTAFold so feinabgestimmt, dass es aus verrauschten Strukturen die „saubere“ Struktur rekonstruieren kann. Durch wiederholtes Anwenden dieses Denoising-Schritts entsteht ein generatives Modell. Typischer Design-Workflow Wichtige Anwendungsgebiete Stärken Grenzen Einordnung RFdiffusion gehört zusammen mit ProteinMPNN und den RoseTTAFold-/AlphaFold-Modellen zum Kern-Werkzeugkasten der modernen computergestützten Proteindesign-Revolution (David Baker erhielt dafür 2024… 

more »Proteindesign mit RFdiffusion erklärt

Google AlphaFold erklärt

AlphaFold ist das bahnbrechende KI-System von Google DeepMind, das die dreidimensionale Struktur von Proteinen aus ihrer Aminosäuresequenz vorhersagt. Es hat eines der ältesten und wichtigsten ungelösten Probleme der Biologie – das „Protein-Folding-Problem“ – praktisch gelöst und strukturelle Biologie grundlegend verändert. Kurze Geschichte Wie funktioniert es (vereinfacht)? Proteine falten sich in eine spezifische 3-D-Form, die ihre Funktion bestimmt. Experimentelle Methoden (Röntgenkristallografie, Kryo-EM, NMR) sind teuer und dauern Monate bis Jahre. Die Modelle liefern neben der Struktur auch Konfidenzmaße (pLDDT, PAE), die anzeigen, wie zuverlässig einzelne Bereiche sind. Auswirkungen Grenzen Aktueller Stand (2026) Das dedizierte AlphaFold-Team bei DeepMind wurde weitgehend aufgelöst bzw. umstrukturiert. Viele Forscher wechselten zu anderen Projekten (u. a. Gemini-bezogene Systeme) oder verließen das Unternehmen (darunter John Jumper zu Anthropic). Die AlphaFold-Datenbank und der Server bleiben jedoch verfügbar und werden weiter gepflegt. Parallel entstehen offene Alternativen und Erweiterungen (z. B.… 

more »Google AlphaFold erklärt

Evo und Evo 2 erklärt

Evo und Evo 2 sind die führenden genomischen Foundation Models (DNA-Sprachmodelle) des Arc Institute (in Zusammenarbeit mit Stanford, NVIDIA u. a.). Sie funktionieren analog zu großen Sprachmodellen wie GPT, nur dass sie auf DNA-Sequenzen (Nukleotide A, T, C, G) trainiert wurden und den nächsten Basenpaar-Token vorhersagen (autoregressiv, single-nucleotide resolution). Evo (Evo 1) Evo zeigte erstmals, dass ein generelles Genom-Modell molekular- bis genom-skalige Aufgaben beherrschen kann. Evo 2 Zentrale Fähigkeiten von Evo 2: Vergleich auf einen Blick Aspekt Evo (1) Evo 2 Parameter 7B 7B / 40B Datenvolumen ~0,3 Billionen Nukleotide 9,3 Billionen Nukleotide Domänen Prokaryoten + Phagen Alle Domänen des Lebens Kontext 131 kb bis 1 Mb Architektur StripedHyena StripedHyena 2 (effizienter) Generative Stärke gut (prokaryotisch) deutlich stärker, auch eukaryotisch Der große experimentelle Meilenstein (2025/2026) Mit Fine-Tuning auf ~14.000–15.000 Microviridae-Sequenzen (Verwandte des klassischen Bacteriophagen ?X174) generierten Evo 1 und vor… 

more »Evo und Evo 2 erklärt

Wir schufen die KI – die KI schafft Leben

Es gibt Momente in der Geschichte der Wissenschaft, die nicht nur eine technische Grenze überschreiten, sondern eine ontologische. Der Tag, an dem künstliche Intelligenz erstmals ein vollständiges, funktionsfähiges Genom schreibt und daraus ein sich selbst replizierendes System hervorgeht, gehört dazu. Was Craig Venter 2010 mit einem am Computer entworfenen, chemisch synthetisierten Genom einer Minimalzelle begann, erreicht in der zweiten Hälfte der 2020er-Jahre eine neue Qualität: Nicht mehr der Mensch entwirft Zeile für Zeile den Bauplan des Lebens. Die KI tut es. Der Weg von der Synthese zur Generierung Synthetische Biologie war lange ein Handwerk der Reduktion und des Zusammenfügens. Forscher entfernten Gene aus bestehenden Organismen, bis nur noch das Nötigste übrigblieb, oder setzten aus gereinigten Molekülen liposomenartige Bläschen zusammen, die einzelne zelluläre Funktionen nachahmten. Die SpudCell der Universität Minnesota (2026) markiert einen Höhepunkt dieses Bottom-up-Ansatzes: eine aus leblosen chemischen Komponenten… 

more »Wir schufen die KI – die KI schafft Leben