Die Wissenschaft hat sich lange auf eine einfache, kraftvolle Annahme verlassen: dass der beste Weg zu lernen darin besteht, das zu studieren, was funktioniert. Wenn ein Wissenschaftler ein neues Medikament entdeckt, das eine Krankheit heilt, oder ein Protein, das eine Erinnerung aufbaut, wird dieser Erfolg veröffentlicht, gefeiert und der Bibliothek des menschlichen Wissens hinzugefügt. Die Künstliche Intelligenz, das moderne Werkzeug, das darauf ausgelegt ist, Muster in dieser Bibliothek zu finden, hat gelernt, genau dasselbe zu tun. Sie scannt Millionen von veröffentlichten Papieren und sucht nach Verbindungen, die bereits bestätigt wurden. Doch dieser Ansatz hat einen verborgenen Fehler. Indem die KI nur die Gewinner studiert, übersieht sie die Verlierer. Sie sieht niemals die Experimente, die scheiterten, die Ideen, die abgelehnt wurden, oder die Fragen, die Wissenschaftler zu sehr fürchteten, um sie zu stellen. Dies erzeugt einen blinden Fleck, eine Stille in den Daten, in der die überraschendsten Entdeckungen verborgen liegen könnten.

Diese Stille ist es, die Forscher am Instituto Venezolano de Investigaciones Científicas zu füllen versuchten. Sie entwickelten eine neue Art, künstliche Intelligenz aufzubauen, die nicht nur danach sucht, was da ist, sondern aktiv nach dem sucht, was fehlt. Ihr Ziel war es, ein System zu erschaffen, das wissenschaftliche Hypothesen generieren kann, indem es den „Negativraum“ betrachtet – die Beziehungen zwischen biologischen Konzepten, die existieren sollten, aber nie dokumentiert wurden. Um zu verstehen, warum dies wichtig ist, muss man zuerst verstehen, wie das biologische Gedächtnis funktioniert. Im Gehirn wirken Proteine wie Schalter, die Gene an- und ausschalten, und helfen Neuronen dabei, neue Informationen zu speichern. Jahrzehntelang haben sich Wissenschaftler fast ausschließlich darauf konzentriert, wie diese Proteine uns beim Erinnern helfen. Das Gehirn muss jedoch auch vergessen können. Wenn wir uns an jedes einzelne Detail unseres Lebens erinnern würden, wären unsere Sinne überfordert. Jüngste Forschungen legen nahe, dass Vergessen ein aktiver Prozess ist, eine notwendige Reinigungstruppe, die unnötige Verbindungen entfernt, um Platz für neues Lernen zu schaffen. Dennoch bleiben die spezifischen Mechanismen, die dieses aktive Vergessen antreiben, weitgehend ein Mysterium, insbesondere im Hinblick darauf, wie verschiedene Arten von Gehirnzellen, über bloße Neuronen hinaus, involviert sein könnten.

Das Team unter der Leitung von Lenin González-Paz und seinen Kollegen entwickelte ein dreistufiges Protokoll, um diese verborgenen Mechanismen aufzudecken. Sie baten den Computer nicht einfach, mehr Arbeiten zu lesen; sie lehrten ihn, nach den Lücken zu suchen. Der erste Schritt bestand darin, die gesamte bekannte Landschaft einer spezifischen Gruppe von Proteinen namens CPEB3 und CPEB4 abzubilden. Diese Proteine sind dafür bekannt, am Gedächtnis beteiligt zu sein, aber die Karte, die die Forscher erstellten, zeigte etwas Seltsames. Während die Karte voller Verbindungen zwischen diesen Proteinen und Neuronen war, war sie in anderen Bereichen völlig leer. Der Computer berechnete einen Wert für jede mögliche fehlende Verbindung. Er fand heraus, dass die Beziehung zwischen diesen Gedächtnisproteinen und anderen Arten von Gehirnzellen, wie etwa Astrozyten und Mikroglia, ein massiver blinder Fleck war. Ähnlich verhielt es sich mit der Verbindung zwischen diesen Proteinen und dem Zustand des Schlafes oder dem Prozess des aktiven Vergessens, die in der veröffentlichten Literatur praktisch nicht existent war. Das System identifizierte vier spezifische Bereiche, in denen die wissenschaftliche Gemeinschaft schlichtweg aufgehört hatte zu suchen.

Der zweite Schritt des Protokolls war noch radikaler. Die Forscher fütterten den Computer mit einer anderen Art von Daten: den „Dark Data“. Dazu gehörten wissenschaftliche Arbeiten, die geschrieben, aber nie veröffentlicht wurden, Experimente, die scheiterten und verworfen wurden, und klinische Studien, die ihre Ziele nicht erreichten. In der Welt der Wissenschaft werden diese Informationen oft begraben oder ignoriert, weil sie keine Erfolgsgeschichte erzählen. Der Computer analysierte diese abgelehnten Daten, um Muster in dem zu finden, was Wissenschaftler versucht und aufgegeben hatten. Er entdeckte, dass bestimmte Themen, wie die Rolle des Schlafes bei der Gedächtnisverarbeitung oder die Beteiligung nicht-neuronaler Zellen, in diesen gescheiterten oder unveröffentlichten Studien häufig auftauchten. Das System kam zu dem Schluss, dass diese Themen in der Mainstream-Literatur systematisch unterdrückt oder übersehen wurden, nicht weil sie unwichtig waren, sondern weil sie schwierig zu beweisen waren oder nicht in das aktuelle Narrativ passten.

Im letzten Schritt kombinierten die Forscher diese beiden Erkenntnisse. Sie baten den Computer, eine neue wissenschaftliche Idee zu generieren, die die fehlenden Teile aus dem ersten Schritt mit den unterdrückten Mustern aus dem zweiten Schritt verbindet. Das Ergebnis war eine kühne, testbare Hypothese, die das aktuelle Verständnis der Funktionsweise des Gedächtnisses infrage stellte. Der Computer schlug vor, dass die Proteine CPEB3 und CPEB4 nicht nur innerhalb von Neuronen arbeiten, um uns beim Erinnern zu helfen. Stattdessen deutete er an, dass diese Proteine während des Schlafes innerhalb von Astrozyten, einer Art von Stützzelle im Gehirn, operieren. In diesem Szenario helfen die Proteine dabei, spezifische Verbindungen in Zusammenarbeit mit Mikroglia, den Immunzellen des Gehirns, abzubauen, um irrelevante Erinnerungen aktiv zu löschen. Diese Idee war nicht bloß eine Vermutung; das System unterzog sie einer Reihe strenger Filter, um sicherzustellen, dass sie physisch möglich, logisch konsistent und im Labor testbar war. Die Hypothese bestand jeden Test und erzielte hohe Werte in ihrer Fähigkeit, den aktuellen Konsens zu erschüttern und gleichzeitig wissenschaftlich lebensfähig zu bleiben.

Die Forscher verglichen dann, was ihr neues System gefunden hatte, mit dem, was eine traditionelle KI vorgeschlagen hätte. Eine Standard-KI, die nur auf veröffentlichten Erfolgsgeschichten trainiert wurde, hätte wahrscheinlich eine kleine, inkrementelle Verbesserung der bestehenden Theorie vorgeschlagen, wie etwa, wie diese Proteine helfen, Erinnerungen in Neuronen während der Wachphase zu stärken. Das kontrainduktive System hingegen wies in eine völlig andere Richtung. Es verlagerte den Fokus von Neuronen auf Stützzellen, von der Wachzeit auf den Schlaf und vom Erinnern auf das Vergessen. Das Team validierte ihre Methode, indem sie zeigte, dass die von ihr identifizierten blinden Flecken tatsächlich reale Wissenslücken waren und dass die gefundenen unterdrückten Merkmale mit dem übereinstimmten, was Experten über die Voreingenommenheiten des Fachgebiets wussten. Die von ihnen generierte Hypothese ist nun bereit für die experimentelle Überprüfung und bietet einen konkreten Weg, um zu untersuchen, wie das Gehirn während des Schlafs „Hausputz“ hält.

Diese Arbeit stellt eine fundamentale Verschiebung in der Art und Weise dar, wie wir künstliche Intelligenz für Entdeckungen nutzen können. Anstatt als Spiegel zu fungieren, der nur das reflektiert, was wir bereits wissen, macht dieses neue Protokoll den Computer zu einem Werkzeug zur Erforschung des Unbekannten. Es demonstriert, dass Wissenschaftler, indem sie dem nachgehen, was fehlt und was abgelehnt wurde, die Fragen finden können, die am wichtigsten sind. Die Forscher haben eine klare, schrittweise Anleitung für andere bereitgestellt und bewiesen, dass die wertvollsten Daten in der Wissenschaft nicht unbedingt die Ergebnisse sind, die Schlagzeilen machten, sondern die Stille, die sie umgab. Indem sie lernen, nicht nur von den Flugzeugen zu lernen, die zurückkehrten, sondern auch von denen, die abstürzten, bietet dieser Ansatz einen neuen Weg, um durch das weite, unkartierte Territorium des menschlichen Gehirns zu navigieren.