AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

Meistens, wenn wir künstliche Intelligenz nutzen, um Biologie zu verstehen, bitten wir sie, in die Zukunft zu blicken. Wir füttern einen Computer mit einem Bild der aktuellen Gesundheit eines Patienten oder einer Momentaufnahme eines Virusausbruchs in einer Stadt, und wir bitten die Maschine vorherzusagen, was als Nächstes passieren wird. Wird der Blutzuckerspiegel dieser Person morgen steigen? Wird die Zahl der Infektionen im nächsten Monat zunehmen? Dieser vorausschauende Ansatz ist zum Standard in der modernen Medizin und im öffentlichen Gesundheitswesen geworden. Er ist eine leistungsstarke Methode, um Risiken zu prognostizieren, lässt aber eine entscheidende Frage unbeantwortet. Ein Arzt oder ein Entscheidungsträger in der Politik muss selten nur wissen, was passieren wird; er muss wissen, was zu tun ist, um etwas anderes bewirken zu können. Er muss genau wissen, wie viel Insulin zu geben ist oder wie streng ein Lockdown sein sollte, um ein System in Richtung eines bestimmten, gewünschten Ergebnisses zu bewegen.

Dies ist der Unterschied zwischen dem Beobachten eines fließenden Flusses und dem Wissen, welche Steine man bewegen muss, um seinen Lauf zu ändern. Jahrzehntelang haben Wissenschaftler versucht, „digitale Zwillinge“ zu bauen – virtuelle Kopien von Patienten oder Populationen, die das reale Leben so exakt nachahmen, dass sie mit verschiedenen Behandlungen getestet werden können. Diese digitalen Zwillinge scheitern jedoch oft, weil sie auf Durchschnittswerten basieren. Sie beschreiben, wie ein typischer Mensch reagiert, nicht wie ein spezifischer Einzelner auf eine spezifische Maßnahme reagiert. Wenn ein Modell ein bestimmtes Medikament noch nie in seinen Trainingsdaten gesehen hat, kann es einem nicht zuverlässig sagen, was dieses Medikament bei einem spezifischen Patienten bewirken wird, selbst wenn es eine klangvoll selbstbewusste Antwort gibt. Das Ergebnis ist ein System, das zwar gut vorhersagen mag, aber keine Handlungen sicher steuern kann.

Eine neue Studie von Maurice Antony Ewing schlägt eine andere Art vor, über diese Computermodelle nachzudenken. Anstatt einen Zwilling zu bauen, der eine Person nachahmt, betrachtet der Autor ein trainiertes KI-Modell als ein „biologisches Primitiv“. Dies ist ein einfacheres Konzept: Das Modell ist keine Kopie der gesamten Geschichte einer Person, sondern ein erlernter Datensatz darüber, wie ein System tatsächlich auf die Dinge reagiert hat, die ihm in der Vergangenheit angetan wurden. Wenn die Daten zeigen, dass eine bestimmte Menge an Bewegung den Blutzucker bei einer Gruppe von Menschen gesenkt hat, lernt das Modell genau diese Beziehung. Der Forscher kehrt das Modell dann um. Anstatt zu fragen: „Was passiert, wenn ich dies tue?“, wird das Modell gefragt: „Welche Menge dieser Handlung wird uns zu diesem Ziel führen?“ Dieser Prozess, genannt „gezielte Inversion“ (targeted inversion), sucht nach den präzisen Ebenen der Intervention, die nötig sind, um ein System in Richtung eines Zielzustands zu bewegen, wobei jedoch nur die Hebel verwendet werden, die durch die Daten tatsächlich gestützt werden.

Um zu testen, ob diese Idee in der realen Welt funktioniert, wandte die Studie die Methode auf drei sehr unterschiedliche biologische Systeme an: die individuelle Physiologie von Menschen mit Typ-1-Diabetes, die Populationsdynamik der COVID-19-Pandemie und die mikroskopischen Reaktionen von Neuronen im Gehirn. Die Forscher begannen damit, Standard-KI-Modelle zu trainieren, um zukünftige Zustände in jedem dieser Bereiche vorherzusagen. Für die Diabetes-Daten lernten die Modelle, den zukünftigen Blutzuckerspiegel basierend auf vergangener Insulinzufuhr, Nahrung und Aktivität vorherzusagen. Für die Pandemie-Daten lernten sie, zukünftige Fallzahlen basierend auf Maßnahmen wie Lockdowns und Testraten vorherzusagen. Für die Gehirn-Daten lernten sie, wie Neuronen als Reaktion auf spezifische visuelle Reize feuerten. Diese Vorwärtsmodelle waren hochgradig genau, was bewies, dass sie die zugrunde liegenden Muster der Daten gelernt hatten.

Sobald die Modelle trainiert waren, ließen die Forscher sie rückwärts arbeiten. Sie setzten ein Ziel – zum Beispiel einen sicheren Blutzuckerspiegel für einen Diabetiker oder eine geringere Anzahl von Infektionen für eine Stadt – und fragten das Modell nach der spezifischen Kombination von Maßnahmen, die dorthin führt. In der Diabetes-Gruppe, die 400 Hochrisikofälle umfasste, war die Methode bemerkenswert effektiv. Als die Forscher das Modell fragten, welche Menge an körperlicher Aktivität allein die richtige sei, reduzierte dies die Lücke zwischen dem aktuellen Zustand des Patienten und dem Zielzustand um 76,5 Prozent. Als sie nach der richtigen Menge an Insulin allein fragten, schrumpfte die Lücke um 60,6 Prozent. Wenn sie dem Modell erlaubten, sowohl Aktivität als auch Insulin zu kombinieren, dabei aber die Vorschläge innerhalb sicherer, klinischer Grenzen hielten, wurde die Lücke um 87,8 Prozent reduziert. Wenn sie diese Sicherheitsgrenzen entfernten und das Modell frei suchen ließen, fand es Lösungen, die die Lücke um 96,4 Prozent reduzierten. In fast jedem einzelnen Fall fand das Modell einen Weg, das System näher an das Ziel zu bringen.

Die Ergebnisse waren etwas bescheidener, aber dennoch konsistent, als sie auf die größere Ebene der COVID-19-Pandemie angewendet wurden. Hier war das Ziel, die Belastung durch zukünftige Fälle zu verringern. Als das Modell nach dem richtigen Ausmaß an Lockdown-Maßnahmen suchte, reduzierte es die projizierte Lücke um 17,9 Prozent. Tests allein halfen um 5,8 Prozent, und Impfungen um 3,8 Prozent. Wenn das Modell jedoch diese drei Strategien kombinierte, reduzierte es die Lücke um 25,1 Prozent. Dieser Unterschied unterstreicht eine zentrale Erkenntnis: Während eine einzelne Maßnahme helfen kann, wird die komplexe Dynamik einer Pandemie durch das Zusammenspiel vieler Faktoren geprägt. Die Methode zeigte, dass Probleme auf Bevölkerungsebene eine Mischung aus Interventionen erfordern und nicht einen einzelnen „Silver Bullet“ (Wunderwaffe).

Vielleicht war der überraschendste Teil der Studie, wie viel die Forscher erreichen konnten, ohne nach jeder möglichen Kombination von Maßnahmen zu suchen. In der realen Welt gibt es Tausende potenzieller Behandlungen oder politischer Maßnahmen, aber viele von ihnen werden durch die verfügbaren Daten nicht gestützt. Die Studie testete einen „kompakten“ Ansatz, bei dem das Modell darauf beschränkt war, nur durch eine kleine, kuratierte Liste von Interventionen zu suchen, die als plausibel gelten und tatsächlich in den Daten erfasst sind. Für die Diabetes-Fälle stellte diese kompakte Liste 79,0 Prozent der möglichen Verbesserung gegenüber dem Ziel wieder her. Die vollständige, uneingeschränkte Suche steigerte die Verbesserung nur um weitere 2,2 Prozent. Für die Pandemie-Daten stellte die kompakte Liste 85,9 Prozent der Verbesserung wieder her, wobei die vollständige Suche nur 0,5 Prozent mehr hinzufügte. Dies deutet darauf hin, dass wir nicht wild raten oder durch Millionen unmöglicher Optionen suchen müssen, um effektive Lösungen zu finden. Wir müssen nur nach den Handlungen suchen, von denen wir wissen, dass sie existieren und für die Daten vorliegen.

Die Studie demonstrierte auch ein kritisches Sicherheitsmerkmal dieses Ansatzes: Das Modell weigert sich, Lösungen zu erfinden, die es nicht unterstützen kann. In der Diabetes-Gruppe versuchten die Forscher, Lösungen anzufragen, die bestimmte Medikamente wie Metformin oder GLP-1-Präparate beinhalteten. Da die ursprünglichen Daten für diese Patienten keine Aufzeichnungen über diese spezifischen Medikamente enthielten, übersprang das Modell diese einfach. Es halluzinierte kein Ergebnis und gab nicht vor, zu wissen, was passieren würde. Es lieferte eine flache Antwort, die anzeigte, dass es diese spezifischen Hebel nicht ansteuern konnte. Dies steht in starkem Kont contrast zu vielen aktuellen KI-Systemen, die vielleicht selbstbewusst eine Behandlung vorschlagen würden, selbst wenn sie noch nie Daten dazu gesehen haben. Der „Primitiv“-Ansatz ist in dem verwurzelt, was die Daten tatsächlich enthalten, was ihn zu einem sichereren Werkzeug für die Entscheidungsfindung macht.

Dieselbe Logik wurde auf das Gehirn angewandt. Unter Verwendung von Daten aus dem Allen Brain Observatory, das über 1,2 Millionen Beobachtungen darüber enthält, wie Neuronen auf Licht reagieren, bauten die Forscher ein Primitiv, das lernte, wie spezifische Zellen auf Stimuli reagieren. Sie waren in der Lage, das Modell zu fragen, welches Niveau eines Stimulus ein Neuron zu einem bestimmten Feuermuster bewegen würde. Dies zeigte, dass die Methode nicht nur für ganze Menschen oder ganze Populationen funktioniert, sondern auch für die kleinsten Einheiten der Biologie. Das Neuron, der Patient und die Stadt werden alle als Systeme behandelt, die auf Inputs reagieren, und das Modell lernt die Karte dieser Reaktionen.

Der Autor stellt vorsichtig klar, dass dies eine Methode der Untersuchung ist und keine endgültige Verschreibung. Die Ergebnisse stammen aus der Rückschau auf historische Daten, nicht aus der Durchführung neuer klinischer Studien. Das Modell identifiziert die Interventionsstufen, die ein System basierend auf dem vergangenen Verhalten in Richtung eines Ziels bewegen würden, aber es beweist nicht, dass diese Interventionen in einer neuen, realen Umgebung funktionieren werden. Es ist ein Weg, die Möglichkeiten einzugrenzen und die vielversprechendsten Pfade zu finden. Die Studie argumentiert, dass Wissenschaftler, indem sie KI als ein biologisches Primitiv behandeln, das in umgekehrter Richtung abgefragt werden kann, über die einfache Vorhersage hinausgehen können. Anstatt nur zu fragen, was passieren wird, können sie fragen, welches Maß an Handlung nötig ist, um etwas geschehen zu lassen – vorausgesetzt, sie halten sich an die Hebel, die durch die Daten gestützt werden. Dieser Wechsel von der Vorhersage der Zukunft zur gezielten Gestaltung der Gegenwart bietet einen fundierteren, praktischeren Weg, künstliche Intelligenz in der Medizin und im öffentlichen Gesundheitswesen einzusetzen.