KI Modell Claude identifiziert bislang unbekanntes Enzymsystem in DNA Daten

Fachliche Einwände aus der CRISPR-Forschung

Mehrere Forschende haben die wissenschaftliche Einordnung von Anthropic zurückhaltend bewertet. Lucas Harrington, der bei Jennifer Doudna promoviert hat und an einem auf CRISPR spezialisierten Unternehmen beteiligt ist, verwies darauf, dass Genom-Mining seit Jahrzehnten eingesetzt wird. Die Suche nach ungewöhnlichen genetischen Systemen in großen Datenbeständen ist in der Mikrobiologie und Molekularbiologie ein etabliertes Verfahren.

Aus dieser Perspektive besteht der wesentliche Fortschritt nicht zwingend darin, dass eine KI eine völlig neue Suchmethode entwickelt hat. Neu könnte vielmehr die Geschwindigkeit sein, mit der ein bestehender Ansatz auf sehr große Datenmengen angewendet wird. Auch die Fähigkeit, verschiedene Hinweise miteinander zu verbinden und daraus eine priorisierte Hypothese abzuleiten, kann einen praktischen Mehrwert darstellen.

Fachleute betonen zugleich, dass die eigentliche wissenschaftliche Herausforderung häufig erst nach der Entdeckung einer auffälligen Sequenz beginnt. Ein System muss im Labor isoliert und charakterisiert werden. Es muss geklärt werden, welche Moleküle es erkennt, welche Reaktionen es auslöst und unter welchen Bedingungen es aktiv ist. Zudem ist zu prüfen, ob die beobachteten Effekte tatsächlich auf das untersuchte System zurückgehen oder durch andere Bestandteile der Versuchsanordnung verursacht werden.

Ein weiterer Einwand betrifft die Gefahr von Fehlinterpretationen. Wenn Computerprogramme in sehr großen Datenmengen nach Mustern suchen, können sie auch Beziehungen hervorheben, die statistisch auffällig, biologisch aber bedeutungslos sind. Die Ähnlichkeit zu einem bekannten System kann dabei eine nützliche Arbeitshypothese sein, darf aber nicht als Funktionsnachweis behandelt werden.

Die von Anthropic veröffentlichte Arbeit war zum Zeitpunkt der Berichterstattung zudem noch nicht durch ein klassisches Peer-Review-Verfahren begutachtet. Eine solche unabhängige Prüfung ist ein wichtiger Bestandteil wissenschaftlicher Qualitätssicherung. Sie kann methodische Schwächen sichtbar machen, alternative Erklärungen prüfen und die Aussagekraft der Experimente besser einordnen.

Zwischen vorsichtiger Anerkennung und Skepsis

Die Reaktionen auf den Fund fallen nicht einheitlich aus. Einige Forschende bewerten die Identifikation des Systems als interessant, insbesondere weil KI offenbar dabei geholfen hat, ein ungewöhnliches Muster in einer sehr großen Datenmenge aufzuspüren. Der Wert könne zunächst darin liegen, die Aufmerksamkeit der Forschung auf bislang wenig untersuchte biologische Regionen zu lenken.

Andere Stimmen warnen vor einer Gleichsetzung mit der „nächsten CRISPR-Technologie“. Die Tatsache, dass bestimmte Sequenzen wiederholt auftreten oder in einer Anordnung liegen, die an CRISPR erinnert, sagt allein wenig über ihre praktische Nutzbarkeit aus. Selbst wenn ART eine neue biologische Funktion besitzt, wäre noch offen, ob diese Funktion kontrollierbar, reproduzierbar und biotechnologisch einsetzbar ist.

Auch Anthropic selbst räumt ein, dass die genaue Aufgabe des Systems noch unbekannt ist. Das Unternehmen hat nach den vorliegenden Informationen weder eine funktionierende Genomeditierung mit ART demonstriert noch eine medizinische Anwendung vorgestellt. Aussagen über mögliche therapeutische oder industrielle Einsatzfelder sind daher hypothetisch.

Die unterschiedlichen Einschätzungen zeigen ein grundsätzliches Spannungsfeld in der KI-gestützten Wissenschaftskommunikation. Einerseits müssen neue Methoden und ihre potenziellen Möglichkeiten sichtbar gemacht werden. Andererseits kann eine stark zugespitzte Darstellung Erwartungen erzeugen, die durch die vorhandenen Daten nicht gedeckt sind. Für Unternehmen, Investoren und Forschungspartner ist daher eine klare Trennung zwischen Beobachtung, Hypothese und experimentell bestätigter Funktion besonders wichtig.

Was der Fall über KI in der Biologie zeigt

Unabhängig von der endgültigen Bewertung von ART illustriert der Vorgang mehrere Entwicklungen, die für die biologische Forschung relevant sind.

• Skalierung der Analyse: KI-Agenten können große Sequenz- und Literaturbestände parallel durchsuchen und ungewöhnliche Fälle für die weitere Prüfung auswählen.
• Hypothesengenerierung: Modelle können aus Sequenzdaten, Funktionsbeschreibungen und wissenschaftlicher Literatur Vorschläge für experimentelle Tests ableiten.
• Verknüpfung von Datenquellen: Der Nutzen entsteht nicht nur durch die Analyse einzelner Gene, sondern durch die Kombination von Genomdaten, Proteinstrukturen, Evolutionsinformationen und Fachliteratur.
• Beschleunigung früher Forschungsphasen: Die Vorauswahl interessanter Kandidaten kann Zeit sparen, bevor kostenintensive Laboruntersuchungen beginnen.
• Neue Anforderungen an Validierung: Je mehr Hypothesen automatisiert erzeugt werden, desto wichtiger werden robuste Filter, nachvollziehbare Protokolle und unabhängige Replikationen.

Für die wissenschaftliche Arbeit bedeutet dies keine vollständige Ersetzung menschlicher Expertise. Biologische Systeme sind kontextabhängig und häufig von Wechselwirkungen geprägt, die in Datensätzen nur unvollständig abgebildet werden. Fachwissen ist notwendig, um die Qualität der Daten einzuschätzen, geeignete Kontrollexperimente zu entwerfen und die Ergebnisse in einen biologischen Zusammenhang einzuordnen.

Besonders wichtig ist die Nachvollziehbarkeit. Ein KI-System sollte nicht nur ein Ergebnis ausgeben, sondern möglichst offenlegen, welche Datenquellen, Suchkriterien und Vergleichsmuster zu einer Hypothese geführt haben. Nur dann können Forschende die Schlussfolgerungen prüfen, Fehler erkennen und die Analyse mit anderen Methoden wiederholen.

Bedeutung für Unternehmen und Forschungseinrichtungen

Für Unternehmen aus Pharma, Biotechnologie und Diagnostik ist der Fall ein Hinweis auf die wachsende Bedeutung agentischer Systeme in der Forschung. Der potenzielle wirtschaftliche Nutzen liegt weniger in einzelnen spektakulären Entdeckungen als in der Möglichkeit, frühe Forschungsprozesse systematisch zu beschleunigen.

Ein KI-Agent könnte beispielsweise Millionen Proteine nach strukturellen Merkmalen durchsuchen, Kandidaten für Wirkstoffziele priorisieren oder unterschiedliche Literaturstränge zu einer prüfbaren Fragestellung verbinden. In der Wirkstoffforschung kann dies die Identifikation möglicher Targets, die Planung von Experimenten und die Auswertung von Messdaten unterstützen.

Gleichzeitig entstehen neue Anforderungen an Governance und Risikomanagement. Biologische Forschung berührt Fragen der Biosicherheit, des Datenschutzes, des geistigen Eigentums und der regulatorischen Verantwortung. Ein System, das eigenständig Versuchspläne erstellt oder biologische Funktionen vorhersagt, muss in klar definierte Freigabeprozesse eingebettet sein.

Für B2B-Anwender empfiehlt sich eine realistische Bewertung anhand konkreter Kriterien:

• Wie zuverlässig sind die verwendeten Daten und wie aktuell sind die Datenbanken?
• Sind die Such- und Bewertungsprozesse für Fachleute nachvollziehbar?
• Welche Teile der Analyse wurden automatisiert und welche durch Menschen kontrolliert?
• Wurden die Ergebnisse unabhängig reproduziert?
• Welche Labor- und Sicherheitsprüfungen sind vor einer praktischen Nutzung erforderlich?
• Wie werden sensible biologische Informationen geschützt?
• Wer trägt die Verantwortung für fehlerhafte oder missverständlich interpretierte Ergebnisse?

Diese Fragen sind auch für Anbieter von KI-Infrastrukturen relevant. Der Nutzen eines Systems hängt nicht allein von der Größe eines Modells ab, sondern von der Qualität der Arbeitsabläufe, der Integration mit verlässlichen Datenquellen und der Fähigkeit, Unsicherheiten transparent auszuweisen.

Die nächsten wissenschaftlichen Schritte

Um die Bedeutung von ART beurteilen zu können, sind mehrere Forschungsschritte erforderlich. Zunächst muss bestätigt werden, dass die identifizierten Sequenzen tatsächlich ein zusammengehöriges biologisches System bilden. Dazu gehört die Untersuchung ihrer evolutionären Verwandtschaft, ihrer Verbreitung und ihrer genetischen Umgebung.

Anschließend müssen die beteiligten Proteine im Labor hergestellt und charakterisiert werden. Forschende könnten prüfen, ob die Reverse Transkriptase tatsächlich mit den benachbarten Wiederholungssequenzen interagiert, welche RNA- oder DNA-Moleküle sie verwendet und ob weitere Proteine für ihre Aktivität erforderlich sind.

Von besonderer Bedeutung wäre der Nachweis einer spezifischen Funktion. Dafür müssten Experimente zeigen, ob ART genetisches Material erkennt, kopiert, schneidet oder auf andere Weise verändert. Ebenso wichtig sind Messungen zur Genauigkeit, zu möglichen Nebenreaktionen und zur Stabilität unter unterschiedlichen Bedingungen.

Erst wenn solche Eigenschaften reproduzierbar nachgewiesen sind, lässt sich beurteilen, ob ART über einen rein biologischen Befund hinaus praktische Bedeutung besitzt. Selbst dann wäre eine Anwendung in der Medizin noch weit entfernt. Sie würde zusätzliche Prüfungen zu Sicherheit, Zielgenauigkeit, Immunreaktionen, Herstellbarkeit und regulatorischer Zulässigkeit voraussetzen.

Einordnung der Entdeckung

Die derzeit verfügbaren Informationen rechtfertigen eine vorsichtige, aber differenzierte Bewertung. Anthropic hat nach eigenen Angaben ein bislang nicht charakterisiertes genetisches System in Bakteriophagen-DNA identifiziert und dabei KI-Agenten für die Analyse großer Datenmengen eingesetzt. Das ist ein interessantes Beispiel für den Einsatz von KI in der biologischen Grundlagenforschung.

Gleichzeitig ist der Ausdruck „CRISPR-ähnlich“ vor allem als Beschreibung einer strukturellen oder architektonischen Ähnlichkeit zu verstehen. Eine vergleichbare Funktion wurde bislang nicht belegt. Weder ist bekannt, ob ART als Genomeditierungswerkzeug eingesetzt werden kann, noch steht fest, welche biologische Rolle das System in den untersuchten Viren tatsächlich spielt.

Der wissenschaftliche Kern der Meldung liegt damit weniger in der unmittelbaren Entdeckung einer neuen medizinischen Technologie als in der Demonstration eines möglichen Arbeitsablaufs: Menschen formulieren eine Forschungsfrage, KI-Agenten durchsuchen große Datenbestände und entwickeln Hypothesen, anschließend prüfen Wissenschaftlerinnen und Wissenschaftler diese Vorschläge experimentell.

Ob dieser Ansatz zu bedeutenden biologischen Durchbrüchen führt, wird sich erst durch weitere Untersuchungen zeigen. Für die Bewertung künftiger Meldungen ist es deshalb sinnvoll, zwischen drei Ebenen zu unterscheiden: der computergestützten Identifikation eines Musters, der experimentellen Bestätigung einer biologischen Funktion und der Entwicklung einer praktisch nutzbaren Anwendung.

Im Fall von ART ist bislang vor allem die erste Ebene dokumentiert. Die beiden folgenden Ebenen bleiben Gegenstand weiterer Forschung.

Ausblick auf die KI-gestützte Forschung

Die Debatte um Anthropic und ART dürfte über den konkreten Fund hinausreichen. Immer mehr KI-Unternehmen entwickeln Systeme, die nicht nur Texte erzeugen, sondern mehrstufige Aufgaben planen, Daten analysieren, Werkzeuge nutzen und Ergebnisse für nachfolgende Arbeitsschritte aufbereiten. In der Biologie treffen diese Fähigkeiten auf besonders große und komplexe Datenbestände.

Der langfristige Nutzen solcher Systeme wird davon abhängen, ob sie verlässliche wissenschaftliche Arbeit unterstützen können, ohne Unsicherheiten zu verschleiern. Dazu gehören eine transparente Dokumentation, reproduzierbare Analysen, unabhängige Begutachtung und eine klare Verantwortungsverteilung zwischen Modell, Forschungsteam und Organisation.

Für Mindverse und vergleichbare Anbieter von KI-Lösungen ergibt sich daraus ein relevantes Anwendungsfeld: KI kann als Forschungspartner dienen, der Informationen strukturiert, Muster sichtbar macht, Hypothesen vorbereitet und Fachleute bei der Priorisierung unterstützt. Die fachliche Entscheidung und die experimentelle Validierung bleiben jedoch zentrale Bestandteile des Prozesses.

Der Fall zeigt somit zugleich das Potenzial und die Grenzen heutiger KI-Systeme. Sie können wissenschaftliche Aufmerksamkeit skalieren und bislang schwer zugängliche Datenräume erschließen. Ob aus einem erkannten Muster eine belastbare Entdeckung und schließlich eine nutzbare Innovation wird, entscheidet sich weiterhin durch sorgfältige menschliche Prüfung und reproduzierbare Experimente.

Bibliografie

1. Anthropic: „Claude discovers a novel enzyme system with CRISPR-like repeats“, 23. September 2026. https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
2. Reuters: „Anthropic says Claude AI helped discover novel enzyme system“, 23. September 2026. https://www.reuters.com/business/healthcare-pharmaceuticals/anthropic-says-claude-ai-helped-discover-novel-enzyme-system-2026-09-23/
3. The Decoder, Manuel Uth: „Anthropic says Claude discovered a new enzyme system, but CRISPR researchers call it routine genome mining“, 24. September 2026. https://the-decoder.com/anthropic-says-claude-discovered-a-new-enzyme-system-but-crispr-researchers-call-it-routine-genome-mining/
4. The Verge, Robert Hart: „Anthropic’s biolab made a discovery it’s comparing to Crispr“, 23. September 2026. https://www.theverge.com/ai-artificial-intelligence/999470/anthropic-biolab-claude-crispr
5. Al Jazeera, John Power: „AI model Claude discovers CRISPR-like enzyme system, Anthropic says“, 24. September 2026. https://www.aljazeera.com/economy/2026/9/24/ai-model-claude-discovers-crispr-like-enzyme-system-anthropic-says
6. Gizmodo, Matthew Phelan: „Claude Found a Mysterious CRISPR-Like System—but Anthropic Can’t Say What It’s Capable of“, 24. September 2026. https://gizmodo.com/claude-found-a-mysterious-crispr-like-system-but-anthropic-cant-say-what-its-capable-of-2000816906
7. Anadolu Agency, Dilara Hamit: „Anthropic says Claude discovered novel enzyme system“, 24. September 2026. https://www.aa.com.tr/en/science-technology/anthropic-says-claude-discovered-novel-enzyme-system/4067609
8. The Next Web, Ana Maria Constantin: „Anthropic says Claude found a new enzyme system with CRISPR-like repeats“, 23. September 2026. https://thenextweb.com/news/anthropic-claude-enzyme-system-crispr-like-repeats