🧬 biology

Cross-kingdom phenotype annotations for 35,856 species generated with a web-search-enabled language model

Diese Arbeit präsentiert einen umfassenden phänotypischen Datensatz über verschiedene Reiche hinweg, der über 7 Millionen Annotationen für 35.856 Tier-, Pflanzen- und Pilzarten umfasst, welche durch eine websuche-gestützte Large-Language-Model-Pipeline generiert wurden, um die groß angelegte vergleichende Biologie und die Erhaltungsforschung zu erleichtern.

Ursprüngliche Autoren: Tyler M. Moore

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Tyler M. Moore

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine gewaltige, universelle „Enzyklopädie des Lebens“ zu erstellen, die jedes einzelne Tier, jede Pflanze und jeden Pilz auf der Erde beschreibt. Sie möchten wissen: Hat es eine Schale? Lebt es unter Wasser? Ist es giftig? Frisst es Pflanzen?

Normalerweise ist das Ausfüllen dieser Enzyklopädie wie das Bemalen eines Wandgemäldes von Hand, einen winzigen Pinselstrich nach dem anderen. Wissenschaftler müssen tausende alter Bücher und wissenschaftlicher Arbeiten lesen, um die Antwort für jede einzelne Art zu finden. Es ist langsam, teuer und hinterlässt oft riesige Lücken, da einige Tiere sehr bekannt sind (wie Löwen), während andere eher obskur sind (wie eine bestimmte Art von Schimmelpilz) und die Bücher für letztere einfach nicht existieren.

Das „LifeDive“-Projekt: Ein digitaler Bibliothekar mit einer Superkraft

Diese Arbeit stellt einen neuen Datensatz namens LifeDive vor. Anstatt tausende menschliche Forscher einzustellen, um jedes Buch zu lesen, hat der Autor ein „superintelligentes“ Computerprogramm (ein Large Language Model) verwendet, das eine besondere Superkraft besitzt: Es kann das Live-Internet durchsuchen.

Denken Sie bei diesem Computer nicht nur an einen Roboter, der eine Bibliothek liot, sondern an einen digitalen Detektiv, der in der Lage ist, sofort Fakten über einen speziellen Käfer in einem fernen Wald oder einen seltenen Pilz in einer Höhle nachzuschlagen – genau so, wie ein Mensch Google benutzen würde.

Wie sie es gemacht haben

Die Ziel-Liste: Das Team begann mit einer Masterliste von etwa 36.000 Arten (Tiere, Pflanzen und Pilze). Sie stellten sicher, dass sie eine Mischung aus häufigen und seltenen Kreaturen wählten, damit die Daten nicht nur von „charismatischen“ Tieren wie Pandas handeln.
Der Fragebogen: Sie erstellten einen standardisierten Test mit 196 Fragen, die alles abdecken – von der Biologie (Zellwände, Giftigkeit) über das Verhalten (nachtaktiv, sozial) bis hin zur menschlichen Wahrnehmung (ist es schön? ist es ein Schädling?).
Die Detektivarbeit: Der Computer wurde gebeten, diese 196 Fragen für jede einzelne Art auf der Liste zu beantworten. Da er das Web durchsuchen konnte, war er in der Lage, Antworten für Arten zu finden, die noch nie ein menschlicher Experte im Detail untersucht hat.
Die Größenordnung: Das Ergebnis ist eine riesige Tabelle mit 7 Millionen Antworten.

Die „Konfidenzskala“

Der Computer sagte nicht einfach nur „Ja“ oder „Nein“. Er verwendete eine 5-stufige Skala, um zu zeigen, wie sicher er sich war:

Definitiv Nein
Wahrscheinlich Nein
Unbekannt / Nicht anwendbar (Der Computer gab zu, es nicht zu wissen)
Wahrscheinlich Ja
Definitiv Ja

Dies ist entscheidend. Es bedeutet, dass die Daten Ihnen nicht nur sagen, welches Merkmal vorhanden ist, sondern auch, wie sicher sich der Computer bei dieser Antwort ist.

Das Chaos bereinigen

Da der Computer zwar intelligent, aber nicht perfekt ist, hat er manchmal geraten oder Dinge übersehen. Um dies zu beheben, verwendeten die Forscher ein statistisches „Lückentext-Werkzeug“ (genannt Random Forest Imputation).

Analogie: Stellen Sie sich ein Kreuzworträtsel vor, bei dem einige Felder leer sind. Wenn Sie wissen, dass das Wort „FISCH“ in einer Reihe und „KIESEL“ in einer Spalte steht, können Sie logischerweise den fehlenden Buchstaben erraten. Der Computer tat dies für die fehlenden Antworten, indem er Muster nutte, die er aus den anderen 195 Fragen gelernt hatte, um die Lücken zu füllen.

Hat es funktioniert? (Der „Stichproben-Check“)

Die Autoren haben dem Computer nicht einfach blind vertraut; sie haben ihn einem strengen Test unterzogen:

Der „Goldstandard“-Check: Sie verglichen die Antworten des Computers mit bestehenden, vertrauenswürdigen Datenbanken (wie FishBase oder PanTHERIA) für Arten, die bereits bekannt waren. Die Antworten des Computers stimmten fast perfekt mit den von Menschen kuratierten Daten überein (oft über 95 % Übereinstimmung) bei großen Kategorien wie „Hat es ein Rückgrat?“ oder „Hat es eine Schale?“.
Das „Experten-Audit“: Sie nahmen 200 zufällige Arten und ließen eine andere KI (die als Zweitmeinung fungierte) die Arbeit überprüfen. Die beiden KIs stimmten in der Richtung der Antworten in etwa 95–97 % der Fälle überein.
Der „Gruppierungs“-Test: Sie untersuchten die Daten, um zu sehen, ob sie biologisch Sinn ergaben. Gruppierten sich alle Fische zusammen? Gruppierten sich alle Pilze zusammen? Ja. Der Computer gruppierte ähnliche Kreaturen ganz natürlich zusammen, was bewies, dass er die „Form“ des Lebens verstand, selbst wenn er kein Biologe war.

Was diese Daten sind (und was sie nicht sind)

Das Paper ist sehr deutlich darüber, wofür dieser Datensatz gedacht ist:

Er IST: Ein mächtiges Werkzeug zur Exploration. Er eignet sich hervorragend, um Muster zu erkennen, neue Ideen zu generieren oder herauszufinden, welche Arten als Nächstes eine menschliche Expertenuntersuchung benötigen. Er ist ein „erster Entwurf“ einer globalen Merkmals-Enzyklopädie.
Er IST NICHT: Ein Ersatz für einen Wissenschaftler, der ein spezifisches Tier im Labor misst. Man sollte eine einzelne Antwort aus diesem Datensatz nicht als absoluten, unveränderlichen Fakt zitieren, ohne ihn selbst überprüft zu haben, insbesondere bei seltenen oder seltsamen Arten.

Das Fazente

Dieses Paper präsentiert eine massive, domänenübergreifende Karte der Merkmale des Lebens, erstellt von einer websuchenden KI. Es ist wie ein Teleskop, das es einem ermöglicht, die allgemeine Form des Universums des Lebens sofort zu sehen, anstatt jeden Stern einzeln besuchen zu müssen, um ihn von Hand zu vermessen. Es ist nicht perfekt, aber es bietet Wissenschaftlern einen Ausgangspunkt, um bessere Fragen zu stellen und die interessantesten Arten zu finden, die man als Nächstes untersuchen sollte.

Technischer Überblick: Kreuz-reichliche Phänotyp-Annotationen für 35.856 Arten

Problemstellung
Standardisierte organismale Merkmalsmatrizen sind essenziell für die vergleichende Biologie, Makroökologie und Naturschutzforschung. Die Erstellung dichter Matrizen mit breiter taxonomischer Abdeckung wird jedoch durch das langsame Tempo manueller Kuratierung, ungleiche taxonomische Repräsentation und eine strukturierte Lückenhaftigkeit erschwert, die durch Klade, Geografie und Forschungsaufwand bedingt ist. Während automatisierte Textanalyse und Large Language Models (LLMs) die Extraktion von Merkmalen aus unstrukturiertem Text beschleunigt haben, bleiben diese Ansätze durch die Verfügbarkeit und den Bias des Quellkorpus begrenzt. Zudem ist die kreuz-reichliche (cross-kingdom) Annotation besonders anspruchsvoll, da so vielfältige Merkmale wie Zellwände, Gift oder Samenverbreitung innerhalb eines einzigen Datenrahmens repräsentiert werden müssen. Bestehende Ressourcen lassen oft die für groß angelegte Analysen erforderliche Einheitlichkeit vermissen, und LLM-generierte Daten leiden häufig unter „flüssigen Fehlern“ (fluent errors) sowie einer Sensitivität gegenüber Prompts, was eine rigorose Validierung und Unsicherheitsquantifizierung erforderlich macht.

Methodik
Die Studie präsentiert LifeDive, einen Datensatz, der durch ein web-suchefähiges LLM innerhalb einer skriptbasierten Annotations-Pipeline generiert wurde.

Artenauswahl: Die zugrunde liegende Taxonomie war der Catalogue of Life (2026-04-18 XR). Ein Selektionsskript priorisierte Animalia, Plantae und Fungi mit dem Ziel einer Abdeckung auf Familienebene. Der Prozess behielt etwa 5 % der ausgestorbenen Arten bei und bevorzugte akzeptierte Namen sowie solche mit englischen Trivialnamen. Ein Satz von anfänglichen 30.000 Arten wurde durch eine LLM-gestützte Überprüfung (unter Verwendung von GPT 5.5 Pro) verfeinert, um bekannte Organismen einzuschließen, die in der ursprünglichen Liste fehlten, was zu einem finalen Satz von 35.856 Arten führte.
Annotations-Pipeline: Die Arten wurden anhand von 196 Phänotyp-Fragen bewertet, die Zellbiologie, Anatomie, Physiologie, Ökologie, Verhalten, Lebensgeschichte, Reproduktion, Umwelttoleranz und menschliche Assoziationen abdecken. Das verwendete Modell war Grok-4-1-fast-reasoning via xAI API, konfiguriert mit dem web_search tool, um Informationen für obskure Taxa abzurufen.
Antwortskala: Die Annotationen nutzten eine fünfstufige ordinale Skala: 0 (Definitiv Nein), 1 (Wahrscheinlich Nein), 2 (Unbekannt/nicht anwendbar), 3 (Wahrscheinlich Ja) und 4 (Definitiv Ja). Der Prompt wies das Modell an, den Code 2 zurückzugeben, wenn eine Antwort nicht bestimmt werden konnte.
Datenverarbeitung:
- Parsing: Die Antworten wurden auf ihre Struktur validiert; falsch ausgerichtete Ausgaben wurden verworfen und durch „Unbekannt“-Werte ersetzt, statt sie stillschweigend zu akzeptieren.
- Imputation: Fehlende Werte (Code 2 und außerhalb des Bereichs) wurden mittels Random-Forest-Klassifikation (H2O Cluster) imputiert. Die Imputation behandelte andere beibehaltenen Phänotyp-Items als Prädiktoren, um eine vervollständigte Matrix für die Downstream-Analyse zu generieren, während die Rohmatrix zur Dokumentation der Herkunft (Provenance) erhalten blieb.
- Dimensionalitätsreduktion: Ein 14-Faktoren-Item-Response-Theory (IRT)-Modell mit Promax-Rotation wurde auf die vervollständigte Matrix angewendet, um Phänotyp-Dimensionen (z. B. „pflanzenähnlich“, „aquatisch“, „gefährlich“) abzuleiten.

Wesentliche Beiträge

LifeDive-Datensatz: Ein kreuz-reichlicher Datensatz mit 7.027.766 ordinalen Phänotyp-Annotationen für 35.856 Arten aus den Reichen Animalia, Plantae und Fungi.
Methodischer Rahmen: Eine reproduzierbare Pipeline, die demonstriert, wie web-suchefähige LLMs als strukturierte Annotatoren statt bloßer Textleser eingesetzt werden können, unter Einbeziehung expliziter Schemata, beschränkter Outputs und Validierungsschritte.
Datenschichten: Die Veröffentlichung unterscheidet zwischen:
- Rohmatrix: Ursprüngliche Modellantworten einschließlich „Unbekannt“-Codes.
- Vervollständigte Matrix: Imputierte Werte für Analysen, die rechteckige Daten erfordern.
- Abgeleitete Produkte: 14-Faktoren-Lade-Matrizen und einheitsgewichtete Phänotyp-Scores.
Validierungssuite: Umfassendes technisches Validierungsmaterial, einschließlich externer Benchmarks, Cross-Model-Audits und latenter Strukturanalysen.

Ergebnisse und Validierung

Externes Benchmarking: Der Datensatz wurde mit unabhängigen Merkmalsressourcen verglichen (z. B. PanTHERIA, EltonTraits, FishBase, AmphiBIO). Breite taxonomische Indikatoren zeigten nahezu perfekte Korrelationen (z. B. Animalia vs. Cellulose: $r = -0,99$ ; Plantae vs. Cellulose: $r = 0,99$ ; Mammalia vs. Haare: $r = 0,99$ ). Spezifische ökologische Variablen zeigten ebenfalls eine starke Übereinstimmung (z. B. Amphibien-Larvenstadium vs. Metamorphose: $r = 0,90$ ).
Cross-Model-Audit: Eine Zufallsstichprobe von 200 Arten wurde mit einem anderen LLM (Claude Opus 4.7) und Web-Suchen auditiert. Das Audit ergab eine direktionale Übereinstimmung von 95–97 % für die bereitgestellte Matrix. Definitive Codes (0 und 4) erwiesen sich als genauer als gehegte Codes (1 und 3).
Latente Struktur: Die Faktorenanalyse lieferte 14 interpretierbare Dimensionen (z. B. „pflanzenähnlich“, „pilzähnlich“, „insektenähnlich“, „gefährlich“). Visualisierungen bestätigten, dass die Scores biologischen Erwartungen entsprachen (z. B. besetzten verholzte Pflanzen hohe Regionen in „pflanzenähnlich“ und „robust“).
Phänotypische Ähnlichkeit: Eine Netzwerk-Analyse der 200-Arten-Teilstichprobe zeigte, dass Organismen nach Phylum und funktioneller Analogie clusterten (z. B. Bäume mit Bäumen, Frösche mit Fröschen), mit hohen innerhalb der Gruppe liegenden Korrelationen (z. B. 0,877 für Ascomycota).

Bedeutung und Ansprüche
Das Paper positioniert LifeDive als eine komputationale Phänotyp-Ressource, die auf eine breite und einheitliche Abdeckung über den Stammbaum des Lebens abzielt. Die Autoren betonen ausdrücklich, dass die Daten keinen Ersatz für Primärmessungen, expertengestützte Arten-Datensätze oder gemessene kontinuierliche Merkmale darstellen.

Stattdessen ist der Datensatz für folgende Zwecke vorgesehen:

Explorative vergleichende Analysen und Hypothesengenerierung.
Benchmarking zukünftiger Annotationssysteme gegen einen festen Satz von Organismen und Fragen.
Priorisierung unsicherer Zellen für gezielte Expertenüberprüfungen.
Generierung von Features für makroökologische Modellierungen.

Die Autoren unterstreichen, dass das Datenprodukt anhand seiner dokumentierten Provenienz, der sichtbaren Unsicherheit (Unterscheidung zwischen Roh- und Imputationswerten) und unabhängiger technischer Prüfungen zu bewerten ist. Sie mahnen zur Vorsicht, da eine exakte Regeneration der Roh-Annotationen aufgrund der dynamischen Natur von LLMs und der Websuche nicht garantiert werden kann, und raten den Nutzern, die Datenschichten entsprechend ihrer jeweiligen Toleranz für Unsicherheit zu behandeln.

Technischer Überblick: Kreuz-reichliche Phänotyp-Annotationen für 35.856 Arten

Mehr davon