HypoEvolve strukturiert die Entwicklung wissenschaftlicher Hypothesen mit mehreren KI-Agenten

Warum die Art der Zusammenarbeit entscheidend wird

Large Language Models können wissenschaftliche Literatur zusammenfassen, Zusammenhänge zwischen Forschungsfeldern herstellen und neue Erklärungsansätze formulieren. Für die wissenschaftliche Entdeckung reicht es jedoch nicht aus, möglichst viele Ideen zu erzeugen. Entscheidend ist, ob eine Hypothese biologisch oder physikalisch plausibel, durch vorhandene Evidenz gestützt und mit vertretbarem Aufwand überprüfbar ist.

Genau an diesem Punkt setzt HypoEvolve an. Das in einem Preprint beschriebene System untersucht nicht nur, ob ein einzelnes Sprachmodell gute Hypothesen formulieren kann. Im Mittelpunkt steht vielmehr die Frage, wie mehrere spezialisierte KI-Agenten zusammenarbeiten sollten, damit aus ersten Vorschlägen belastbarere wissenschaftliche Annahmen entstehen.

Die Autoren betrachten die Zusammenarbeit als einen eigenen, systematisch gestaltbaren Bestandteil des Forschungsprozesses. Ein Agent kann beispielsweise eine Hypothese entwickeln, ein zweiter die zugrunde liegenden Annahmen prüfen, ein dritter die Evidenz bewerten und ein weiterer die experimentelle Testbarkeit einschätzen. HypoEvolve verbindet diese Rollen mit einem Verfahren aus der evolutionären Optimierung.

Das Ziel ist damit nicht die vollständige Automatisierung wissenschaftlicher Forschung. Vielmehr soll ein strukturierter Prozess entstehen, in dem KI-generierte Ideen wiederholt kritisiert, überarbeitet, miteinander verbunden und anhand externer Daten eingeordnet werden.

Das Grundprinzip von HypoEvolve

Hypothesen als Population statt als Einzelergebnis

Viele heutige KI-Workflows erzeugen eine Antwort oder eine kleine Zahl von Vorschlägen und wählen anschließend die vermeintlich überzeugendste Variante aus. HypoEvolve verfolgt einen anderen Ansatz. Das System verwaltet eine Population von Hypothesen, die sich über mehrere Generationen hinweg verändert.

Jede Hypothese besteht dabei nicht bloß aus einem Schlagwort oder einer Korrelation. Im Mittelpunkt stehen wissenschaftlich interpretierbare Erklärungen. Im Anwendungsfall der Wirkstoffumwidmung soll eine Hypothese beispielsweise darlegen, warum ein bestimmter Wirkstoff über ein bestimmtes biologisches Ziel einen therapeutischen Effekt bei einer Erkrankung auslösen könnte.

Eine solche Struktur ist für die Bewertung wichtig. Ein Modell kann zwar einen bekannten Zusammenhang korrekt wiederholen, damit aber noch keine neue oder mechanistisch schlüssige Hypothese liefern. HypoEvolve versucht deshalb, die Erklärungsebene stärker in den Mittelpunkt zu rücken.

Selektion, Kombination und Mutation

Der genetische Algorithmus übernimmt drei zentrale Funktionen:

• Selektion: Hypothesen mit besseren Bewertungsergebnissen werden bevorzugt in die nächste Generation übernommen.
• Kombination: Elemente verschiedener Vorschläge können zusammengeführt werden, etwa ein biologischer Mechanismus aus einer Hypothese und eine testbare Vorhersage aus einer anderen.
• Mutation: Einzelne Bestandteile werden gezielt verändert, um neue Lösungswege zu erschließen oder fehlerhafte Annahmen zu korrigieren.

Diese Begriffe stammen aus der evolutionären Optimierung. Bei HypoEvolve werden sie nicht auf biologische Organismen, sondern auf sprachlich formulierte wissenschaftliche Hypothesen angewandt. Die Agenten erzeugen, kritisieren und überarbeiten die Inhalte nach vorgegebenen Regeln. Eine Generation bildet somit einen überprüfbaren Abschnitt im Entwicklungsprozess.

Der Vorteil dieses Vorgehens liegt aus methodischer Sicht in der Trennung von Hypothesengenerierung und Hypothesenentwicklung. Eine Idee muss nicht bereits in ihrer ersten Fassung vollständig sein. Sie kann durch Kritik und Kombination schrittweise präzisiert werden.

Welche Rollen die KI-Agenten übernehmen

Die einzelnen Sprachmodelle erfüllen in HypoEvolve unterschiedliche wissenschaftliche Funktionen. Dadurch soll verhindert werden, dass ein einzelnes Modell gleichzeitig Ideen produzieren, bewerten und seine eigenen Fehler erkennen muss.

Mechanistische Argumentation

Ein Teil der Agenten befasst sich mit der Frage, wie eine Intervention wirken könnte. Im Bereich der Arzneimittelforschung bedeutet dies, Verbindungen zwischen Wirkstoff, molekularem Ziel, biologischem Signalweg und Krankheit herzustellen. Eine Hypothese wird dadurch von einer reinen Zuordnung zu einer erklärenden Aussage weiterentwickelt.

Überprüfung von Annahmen

Andere Agenten hinterfragen die Voraussetzungen eines Vorschlags. Sie können beispielsweise prüfen, ob ein angenommener biologischer Zusammenhang tatsächlich aus den bereitgestellten Daten hervorgeht oder ob die Argumentation auf einer unbelegten Verallgemeinerung beruht.

Bewertung von Evidenz

Ein weiterer Schwerpunkt ist die Einordnung vorhandener Evidenz. Dabei wird untersucht, ob eine Hypothese durch experimentelle, genetische oder klinische Hinweise gestützt wird. Die Nutzung externer Datenquellen soll die Bewertung von der reinen sprachlichen Plausibilität entkoppeln.

Testbarkeit und experimentelle Anschlussfähigkeit

Eine wissenschaftlich relevante Hypothese muss prinzipiell überprüfbar sein. Deshalb spielt auch die Frage eine Rolle, welche Experimente oder Analysen die Hypothese bestätigen oder widerlegen könnten. Für Forschungsteams ist dies ein zentraler Unterschied zwischen einer interessanten Erzählung und einem konkret nutzbaren Forschungsvorschlag.

Die Arbeit untersucht damit nicht allein die Leistungsfähigkeit einzelner Agenten. Sie analysiert die Regeln, nach denen die Ergebnisse dieser Agenten kombiniert und weiterverarbeitet werden. Diese Unterscheidung ist für die Bewertung von Multi-Agenten-Systemen wesentlich: Eine Gruppe aus mehreren Modellen ist nicht automatisch besser als ein einzelnes Modell.

Der Anwendungsfall: Wirkstoffumwidmung in der Krebsforschung

Für die Evaluation wurde der Ansatz auf Hypothesen zur Wirkstoffumwidmung angewandt. Unter Drug Repurposing wird die Untersuchung verstanden, ob ein bereits bekannter Wirkstoff für eine weitere Erkrankung oder einen neuen biologischen Anwendungsbereich geeignet sein könnte.

Dieser Forschungsbereich bietet sich für die Evaluation an, weil bereits umfangreiche Daten zu Genen, Wirkstoffzielen, Zelllinien und Krankheitsmechanismen verfügbar sind. Gleichzeitig sind die wissenschaftlichen Fragestellungen komplex genug, um die Fähigkeit eines Systems zur Verknüpfung verschiedener Evidenzarten zu testen.

Nach Angaben der Autoren wurde HypoEvolve für 34 Krebsarten bewertet. Die entwickelten Hypothesen wurden dabei nicht nur anhand einer sprachlichen Einschätzung beurteilt. Stattdessen kamen externe biologische Messgrößen zum Einsatz, darunter Daten aus DepMap und Open Targets.

DepMap und Open Targets als externe Bezugspunkte

DepMap, das Cancer Dependency Map Project, enthält unter anderem Informationen darüber, welche Gene für das Überleben bestimmter Krebszelllinien relevant sind. Solche Daten können Hinweise darauf liefern, ob ein biologisches Ziel in einem bestimmten Krankheitskontext selektiv bedeutsam ist.

Open Targets bündelt Informationen zu genetischen, experimentellen und klinischen Zusammenhängen zwischen Wirkstoffzielen und Krankheiten. Die Plattform dient in der Arzneimittelforschung dazu, potenzielle Zielstrukturen anhand verschiedener Evidenzquellen zu priorisieren.

Die Kombination beider Datenquellen soll unterschiedliche Perspektiven auf die Qualität einer Hypothese ermöglichen. Eine Hypothese kann beispielsweise in einem experimentellen Datensatz plausibel erscheinen, aber nur begrenzt durch genetische oder klinische Evidenz gestützt werden. Externe Messgrößen schaffen in diesem Fall eine zusätzliche Bewertungsstufe.

Die berichteten Ergebnisse

Im Vergleich mit sechs Baselines erzielte HypoEvolve laut der veröffentlichten Zusammenfassung die höchsten Werte bei den herangezogenen externen Evidenzmaßen. Für die DepMap-Selektivität wird ein Wert von 0,171 angegeben. Die stärkste Vergleichsmethode erreichte nach den vorliegenden Angaben 0,115.

Die Autoren berichten außerdem, dass die Verbesserungen gegenüber einer einfachen Einmalgenerierung auch auf zurückgehaltene Krebsarten übertragbar waren. Das ist für die Interpretation relevant, weil ein System nicht ausschließlich bereits bekannte Beispiele reproduzieren sollte. Eine Evaluation auf nicht zur Entwicklung verwendeten Fällen kann Hinweise darauf liefern, ob die Methode über die Trainings- oder Auswahlbedingungen hinaus generalisiert.

Die Ergebnisse bedeuten jedoch nicht, dass HypoEvolve eigenständig neue Medikamente entdeckt oder klinische Wirksamkeit nachgewiesen hat. Sie zeigen zunächst, dass ein bestimmter KI-basierter Prozess Hypothesen erzeugen kann, die in ausgewählten externen biologischen Datensätzen besser abschneiden als die verglichenen Verfahren.

Zwischen einem hohen Bewertungswert und einer erfolgreichen Therapieentwicklung liegen zahlreiche weitere Schritte. Dazu gehören die unabhängige Reproduktion der Analyse, die Untersuchung von Nebenwirkungen, die Validierung in Zell- und Tiermodellen sowie klinische Studien. Ein KI-System kann diese Prüfungen vorbereiten oder priorisieren, aber nicht ersetzen.

Ein methodischer Beitrag zur Forschung mit Multi-Agenten-Systemen

Eine zentrale Bedeutung der Arbeit liegt in der Frage, wie sich der Beitrag verschiedener Agenten und Kooperationsregeln messen lässt. Wenn mehrere Modelle gemeinsam eine bessere Hypothese erzeugen, ist zunächst unklar, ob die Verbesserung auf den wissenschaftlichen Fähigkeiten der Modelle, auf der Arbeitsteilung oder auf der konkreten Reihenfolge von Kritik und Überarbeitung beruht.

HypoEvolve macht die Zusammenarbeit durch die Abfolge von Generationen expliziter. Die jeweiligen Regeln legen fest, wann eine Hypothese übernommen, mit einer anderen verbunden, verändert oder verworfen wird. Dadurch lässt sich die Entwicklung einer Hypothesenpopulation nachvollziehen und mit alternativen Verfahren vergleichen.

Für die Forschung an KI-Systemen ist diese Transparenz relevant. Ohne klar definierte Kooperationsmechanismen besteht das Risiko, dass Multi-Agenten-Architekturen lediglich zusätzliche Textproduktion erzeugen. Mehr Agenten bedeuten in diesem Fall nicht zwingend mehr wissenschaftliche Qualität. Entscheidend sind die Rollenverteilung, die Bewertungslogik und die externe Validierung.

Die Bedeutung für Unternehmen und Forschungseinrichtungen

Unternehmen in Pharma, Biotechnologie und Medizintechnik investieren zunehmend in Systeme, die wissenschaftliche Literatur, Unternehmensdaten und experimentelle Ergebnisse miteinander verbinden. HypoEvolve liefert hierfür ein Beispiel, wie KI nicht nur als Such- oder Zusammenfassungswerkzeug, sondern als Bestandteil eines iterativen Forschungsprozesses eingesetzt werden kann.

Für die betriebliche Praxis ergeben sich mehrere mögliche Anwendungsfelder:

• Priorisierung von Wirkstoff-Wirkziel-Beziehungen für weitere Untersuchungen
• Strukturierte Gegenüberstellung konkurrierender wissenschaftlicher Erklärungen
• Identifikation von Annahmen, die in einem Forschungsplan noch nicht ausreichend belegt sind
• Formulierung konkreter experimenteller Tests für ein Forschungsteam
• Verknüpfung heterogener Evidenz aus Literatur, Datenbanken und internen Studien
• Dokumentation der Entwicklung einer Hypothese über mehrere Überarbeitungsstufen

Für den produktiven Einsatz ist allerdings eine belastbare Daten- und Governance-Struktur erforderlich. Die beteiligten Agenten müssen nachvollziehbar auf Quellen verweisen, Unsicherheiten kenntlich machen und zwischen bekannten Fakten, Modellannahmen und neu vorgeschlagenen Schlussfolgerungen unterscheiden.

Plattformen wie Mindverse können in solchen Prozessen als KI-Partner für Recherche, Textanalyse, Wissensaufbereitung und die strukturierte Verarbeitung von Informationen dienen. Für wissenschaftliche Anwendungen bleibt die fachliche Prüfung durch qualifizierte Expertinnen und Experten jedoch unverzichtbar. Besonders in regulierten Bereichen müssen Datenschutz, Nachvollziehbarkeit und Verantwortlichkeiten frühzeitig geklärt werden.

Grenzen der Aussagekraft

Preprint statt abgeschlossener Begutachtung

Die Arbeit ist als Preprint verfügbar. Preprints ermöglichen eine schnelle öffentliche Diskussion wissenschaftlicher Ergebnisse, durchlaufen aber nicht zwingend das vollständige Peer-Review-Verfahren einer Fachzeitschrift oder Konferenz. Die berichteten Resultate sollten daher als vorläufige Forschungsergebnisse eingeordnet werden.

Begrenzte Domäne

Die Evaluation konzentriert sich auf biologische Hypothesen im Zusammenhang mit Krebs und Wirkstoffumwidmung. Daraus lässt sich nicht unmittelbar ableiten, dass die Methode in der Materialforschung, Klimawissenschaft, Physik oder Sozialwissenschaft in gleicher Weise funktioniert.

Abhängigkeit von Daten und Bewertungsmaßen

Die Qualität der Ergebnisse hängt von den verwendeten Datenquellen und Metriken ab. Externe Datenbanken können systematische Verzerrungen enthalten, etwa durch eine ungleiche Abdeckung bestimmter Krankheiten, Gene oder Wirkstoffe. Außerdem misst ein Datenbankwert nur einen bestimmten Aspekt wissenschaftlicher Qualität.

Risiko von Vorwissen und Datenleckage

Sprachmodelle werden auf großen Textmengen trainiert und können bereits bekannte biologische Zusammenhänge reproduzieren. Eine besonders interessante Hypothese muss deshalb nicht zwingend aus einer unabhängigen Schlussfolgerung stammen. Die Projektbeschreibung verweist in verwandten Experimenten auf Genmaskierung, bei der Gennamen durch neutrale Kennungen ersetzt werden. Damit soll der Einfluss memorierten Vorwissens reduziert werden. Ob und in welchem Umfang diese Technik Bestandteil sämtlicher im Paper berichteter Experimente ist, muss anhand der vollständigen Methodik geprüft werden.

Keine automatische wissenschaftliche Verantwortung

Auch ein überzeugender Multi-Agenten-Prozess kann fehlerhafte Schlussfolgerungen erzeugen. Sprachmodelle können Quellen missverstehen, Kausalität mit Korrelation verwechseln oder plausible, aber empirisch nicht tragfähige Mechanismen formulieren. Die finale Bewertung einer Hypothese muss deshalb bei den zuständigen Forschenden liegen.

Was als Nächstes geklärt werden muss

Für eine umfassende Einordnung sind weitere Untersuchungen erforderlich. Dazu gehören Ablationsstudien, in denen einzelne Agentenrollen oder Evolutionsschritte entfernt werden. So ließe sich bestimmen, ob die Verbesserungen vor allem durch die genetische Suche, die Arbeitsteilung oder die externe Bewertung entstehen.

Ebenso wichtig sind Vergleiche mit menschlichen Forschungsteams und mit etablierten computergestützten Methoden. Ein System kann gegenüber sprachmodellbasierten Baselines besser abschneiden, ohne im Vergleich zu spezialisierten Bioinformatik-Verfahren oder erfahrenen Forschenden überlegen zu sein.

Darüber hinaus sollte untersucht werden, wie stabil die Ergebnisse bei anderen Sprachmodellen, Datenständen und Aufgabenformulierungen sind. Für den praktischen Einsatz zählt außerdem, wie hoch der Rechenaufwand ist. Mehrere Agenten und viele Evolutionsgenerationen können die Kosten und Latenz deutlich erhöhen. Unternehmen müssen daher den zusätzlichen Erkenntnisgewinn gegen Infrastruktur-, Daten- und Prüfkosten abwägen.

Ein weiterer Prüfstein ist die experimentelle Umsetzung. Die entscheidende Frage lautet nicht nur, ob eine Hypothese in externen Daten gut bewertet wird, sondern ob sie in unabhängigen Experimenten neue, reproduzierbare Vorhersagen ermöglicht. Erst solche Ergebnisse würden zeigen, ob der Ansatz über eine verbesserte digitale Priorisierung hinausgeht.

Einordnung: Von der Antwortmaschine zum Forschungssystem

HypoEvolve steht für eine Entwicklung, bei der Large Language Models nicht mehr isoliert betrachtet werden. Im Mittelpunkt stehen zunehmend Systeme aus mehreren Rollen, Werkzeugen, Datenquellen und Bewertungsstufen. Die KI erzeugt dabei nicht nur Text, sondern nimmt an einem Prozess teil, in dem Vorschläge miteinander konkurrieren und schrittweise verfeinert werden.

Der wesentliche Fortschritt liegt nach der beschriebenen Methode weniger in einer einzelnen spektakulären Antwort als in der Organisation des Arbeitsablaufs. Hypothesen werden als veränderbare Objekte behandelt, ihre Entwicklung wird dokumentiert und ihre Qualität wird anhand von Daten außerhalb des Sprachmodells geprüft.

Für Sie als Entscheiderin oder Entscheider in einem technologieorientierten Unternehmen ist deshalb vor allem die Prozessperspektive relevant. Die zentrale Frage lautet nicht, ob ein Modell eine brillante Idee formulieren kann. Entscheidend ist, ob ein System Ideen systematisch erzeugt, kritisiert, priorisiert und in überprüfbare nächste Schritte übersetzt.

HypoEvolve liefert dafür einen konkreten Forschungsansatz mit einem biologischen Anwendungsszenario. Die Ergebnisse sind interessant, aber vorläufig. Ihr Wert wird sich daran messen lassen, ob unabhängige Teams die Befunde reproduzieren, auf weitere wissenschaftliche Domänen übertragen und mit realen Experimenten bestätigen können.

Bibliografie

Jieyuan Liu, Mengzhou Hu, Jefferson Chen et al.: HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses. arXiv:2609.15938. https://arxiv.org/abs/2609.15938 Hugging Face Papers: HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses. https://huggingface.co/papers/2609.15938 HypoEvolve-Projektseite: Benchmarking LLM-Generated Biological Hypotheses for Scientific Discovery. https://jeffersonchen888.github.io/HypoEvolve/ HypoEvolve auf GitHub: Genetic Algorithm for T2D Drug Target Discovery. https://github.com/JeffersonChen888/HypoEvolve Broad Institute: DepMap – Cancer Dependency Map. https://depmap.org/ Open Targets Platform: Datenplattform für Krankheits- und Zielstrukturen. https://platform.opentargets.org/ Xiaoyu Xiong, Yuqi Ren, Deyi Xiong: EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery. arXiv:2605.24018. https://arxiv.org/abs/2605.24018 Xiaoyu Xiong, Yuqi Ren, Deyi Xiong: EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery. Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026. https://aclanthology.org/2026.acl-long.447.pdf