Was passiert mit einer einzelnen Zelle, wenn sie einem Medikament ausgesetzt wird? Heute lässt sich diese Frage oft erst beantworten, indem Forschende Zellen im Labor messen – nach der Behandlung. Künstliche Intelligenz soll solche Reaktionen künftig teilweise vorwegnehmen. Sie lernt aus vielen Zellmessungen und berechnet, wie sich ein Zellzustand unter einem bestimmten Wirkstoff wahrscheinlich verändert.
Forschende in Zürich und Lausanne arbeiten an solchen Modellen. Sie entwickeln keine digitalen Kopien des Menschen. Ihre Modelle lösen zunächst kleinere, klar begrenzte Aufgaben: Sie sagen molekulare Veränderungen einzelner Zellen voraus oder analysieren, wie Zellen in einem Gewebe angeordnet sind.
Der mögliche Gewinn ist gross. Wirkstoffe könnten gezielter getestet, Experimente besser geplant und Reaktionen von Zellen genauer verstanden werden. Der Weg zur virtuellen Zelle ist jedoch noch lang.
Von der Messung zur Vorhersage
Zellen reagieren nicht alle gleich auf einen Wirkstoff. Selbst Zellen desselben Typs können sich unterscheiden – etwa in ihrem Zustand, ihrer genetischen Ausstattung oder ihrer Umgebung. Einzelzellmessungen machen diese Unterschiede sichtbar. Sie haben aber eine wichtige Grenze: Zellen werden für viele Messverfahren fixiert oder zerstört. Forschende können deshalb meist nicht dieselbe Zelle vor und nach einer Behandlung beobachten.
Modelle wie CellOT lernen daher aus Gruppen von unbehandelten und veränderten Zellen. Sie suchen nach wahrscheinlichen Übergängen zwischen diesen Zellzuständen. Das Modell berechnet also nicht die Zukunft einer ganzen Person. Es schätzt, wie sich ein gemessener molekularer Zellzustand unter einer bestimmten Störung oder Behandlung verändern könnte.
CellOT: eine erste Antwort
CellOT wurde von Forschenden der ETH Zürich, der Universität Zürich und des Universitätsspitals Zürich entwickelt. In der Studie lernte das Modell aus Einzelzellmessungen und sagte Reaktionen auf neue, bisher nicht gemessene Zellproben voraus. Getestet wurde es unter anderem mit Daten zu Medikamentenwirkungen bei Melanomzellen sowie mit Daten von Menschen mit Lupus und Glioblastomen.
Das Ergebnis ist ein wichtiger, aber begrenzter Schritt. CellOT bildet keine vollständige Zelle ab. Es sagt vielmehr eine bestimmte Veränderung eines Zellzustands voraus – beispielsweise, wie sich die Aktivität bestimmter Gene oder Proteine verschieben könnte. Ob eine Therapie bei einer Patientin oder einem Patienten tatsächlich wirkt, kann das Modell damit nicht beantworten. Dafür sind weiterhin präklinische Untersuchungen und klinische Studien nötig.
Nicht nur die Zelle zählt
Eine Zelle reagiert nicht unabhängig von ihrer Umgebung. Eine Immunzelle kann sich in einem Tumor anders verhalten als in einer isolierten Zellkultur. Deshalb sollen zukünftige Modelle verschiedene Datenarten und biologische Ebenen verbinden: RNA, Proteine, Mikroskopiebilder, einzelne Zellen und Gewebe.
Ein Beispiel aus der Schweizer Forschung ist VirTues. Das Modell wurde für räumliche Proteomik entwickelt. Es analysiert nicht nur, welche Proteine und Zellen vorhanden sind, sondern auch, wo sie liegen und welche Zellnachbarschaften sich im Gewebe bilden. So lassen sich biologische Muster auf mehreren Ebenen beschreiben – von der einzelnen Zelle über ihre Umgebung bis zum Gewebe.
VirTues ist keine vollständige virtuelle Zelle. Es ist ein Modell für räumliche Proteomik, das die Vision der virtuellen Zelle um einen entscheidenden Punkt ergänzt: Zellen funktionieren nicht isoliert. Ihre Umgebung beeinflusst, wie sie auf Signale und Wirkstoffe reagieren.
Der Realitätscheck
Die Modelle versprechen viel. Sie könnten helfen, aussichtsreiche Wirkstoffe früher zu erkennen und Experimente gezielter zu priorisieren. Die Laborarbeit verschwindet dadurch aber nicht. Im Gegenteil: Gute Vorhersagen benötigen grosse Mengen hochwertiger, vergleichbarer und sorgfältig kontrollierter Daten.
Entscheidend ist deshalb nicht, wie gross ein Modell ist, sondern wie gut es geprüft wurde. Funktioniert es auch bei neuen Zelltypen, Wirkstoffen und Daten aus anderen Laboren? Erkennt es seine eigenen Grenzen? Und zeigt es an, wenn seine Vorhersage unsicher ist?
Eine vermeintlich genaue Antwort kann irreführend sein, wenn ein Modell für eine seltene Krankheit oder eine bestimmte Bevölkerungsgruppe kaum Trainingsdaten gesehen hat. Externe Validierung, transparente Methoden und eine klare Angabe der Unsicherheit sind daher genauso wichtig wie die technische Leistungsfähigkeit.
Forschung und Regulierung
Je stärker ein KI-Modell Entscheidungen über Wirkstoffe, Zulassungen oder Behandlungen beeinflussen könnte, desto höher müssen die Anforderungen an Datenqualität, Validierung, Dokumentation und laufende Kontrolle sein. Swissmedic nennt bei KI in der Arzneimittelentwicklung insbesondere Datenqualität, Modelltransparenz, Qualitätskontrolle und mögliche Verzerrungen als zentrale Herausforderungen.
Ein Modell, das lediglich Experimente priorisiert, ist anders zu bewerten als ein Modell, dessen Ergebnisse in eine Zulassungsentscheidung oder eine Behandlung einfliessen. Die Anwendung bestimmt deshalb auch die Anforderungen.
Virtuelle Zellmodelle werden Laborexperimente auf absehbare Zeit nicht vollständig ersetzen. Ihr realistischer Nutzen liegt darin, bessere Fragen zu stellen, Hypothesen zu prüfen und Experimente gezielter zu planen. Die Forschung in Zürich und Lausanne zeigt, wie dieser Weg aussehen kann: von begrenzten Vorhersagen einzelner Zellreaktionen hin zu Modellen, die auch die Umgebung im Gewebe berücksichtigen.
Referenzen
1. Bunne C. et al. Learning single-cell perturbation responses using neural optimal transport. Nature Methods, 2023. https://doi.org/10.1038/s41592-023-01969-x
2. Bunne C. et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities. Cell, 2024. https://doi.org/10.1016/j.cell.2024.11.017
3. Bunne C. et al. Optimal transport for single-cell and spatial omics. Nature Reviews Methods Primers, 2024. https://doi.org/10.1038/s43586-024-00334-2
4. Wenckstern J. et al. The Virtual Tissues foundation model resolves spatial proteomics across scales. Nature, published 5 August 2026. https://doi.org/10.1038/s41586-026-10884-y
5. ETH Zürich. Predictions of the effect of drugs on individual cells are now possible, 2023. https://ethz.ch/en/news-and-events/eth-news/news/2023/10/predictions-of-the-effect-of-drugs-on-individual-cells-are-now-possible.html
6. EPFL. AI-Powered Virtual Cell Could Become Biology’s Universal Simulator, 2024. https://actu.epfl.ch/news/ai-powered-virtual-cell-could-become-biology-s-uni/
7. Swissmedic. Framework conditions for the use of AI in medicinal product development and the regulatory process. https://www.swissmedic.ch/swissmedic/en/home/humanarzneimittel/authorisations/artificiel-intelligence.html
(Bild: Google DeepMind)
