Das ungelesene Archiv

Claude fand ein CRISPR-ähnliches System, das niemand katalogisiert hatte — und verfehlte es zehnmal von elf

Was ist neu — Anthropic erklärt, sein Modell habe eigenständig ein bislang uncharakterisiertes Enzymsystem in Bakteriophagen-DNA identifiziert, mit einer an CRISPR erinnernden Architektur und unbekannter Funktion.

Was geschehen ist — Am 23. September veröffentlichte Anthropic erste Ergebnisse der molekularbiologischen Gruppe und des Nasslabors, die das Unternehmen im Frühjahr 2026 aufgebaut hat. Mit einem einzigen übergeordneten Auftrag — neue Reverse-Transkriptase-Systeme finden — durchsuchten Agenten eine Datenbank mit rund 1,9 Milliarden Proteinclustern und markierten, was das Unternehmen array-assoziierte Reverse-Transkriptasen (ART) nennt, gefunden in Staphylococcus-Phagen. Laut Gizmodo lief die Kampagne etwa 21 Stunden über rund 950 Agenten und 210 Millionen Tokens; das eigene Labor bestätigte die Architektur anschließend experimentell.

Wie es funktioniert — Eine Reverse-Transkriptase schreibt RNA in DNA um; Bakterien nutzen solche Enzyme zur Virenabwehr. Das Enzym selbst war bereits bekannt. Neu war die Nachbarschaft: eine lange Folge gleichmäßig verteilter DNA-Wiederholungen neben dem Gen, dazu ein Partnerprotein unbekannter Funktion. Genau diese Repeat-Array-Anordnung macht CRISPR-Systeme programmierbar — das Array speichert eine Bibliothek von Guides. Strukturell vereint ART Merkmale, die, wie Anthropic anmerkt, bisher nur in einer Handvoll Systeme gemeinsam auftraten — und die alle DNA schneiden, kopieren oder einfügen. Die Agentenarchitektur war zweistufig: Ein Agent plante und führte jede Aufgabe aus, ein zweiter prüfte sie, und neue Aufgaben entstanden, sobald sich Spuren öffneten.

Ergebnisse — Die Agenten sichteten mehr als 200.000 Reverse-Transkriptasen, grenzten auf rund 3.500 Kandidatensysteme ein und wählten 20 zur detaillierten Analyse aus, so The Conversation. Die Zahl, die mehr Aufmerksamkeit verdient als die Entdeckung: Anthropic ließ die identische Kampagne zehnmal erneut laufen, und laut TNW las kein einziger Wiederholungslauf die DNA stromaufwärts des Enzyms — alle zehn verfehlten das Array vollständig.

Kernerkenntnis — Die interessante Behauptung ist nicht, dass ein Modell etwas gefunden hat. Sondern dass das Modell entschied, welche von Tausenden Spuren es wert war, an ein Nasslabor eskaliert zu werden. Das ist das teure Urteil in der Entdeckungsbiologie — und zugleich das, das wir nicht bewerten können. Eine Reproduktionsrate von 1 zu 11 sagt Ihnen, dass dies eine Lotterie mit hoher Varianz und billigem Los ist, kein verlässliches Instrument.

Hintergrund — Anthropic übernahm im April Coefficient Bio für berichtete 400 Mio. Dollar und startete im Juni die Claude-Science-Workbench; dies ist das erste öffentliche Ergebnis dieses Aufbaus. Der Mikrobiologe Kevin Blake von der Washington University sagte Al Jazeera, CRISPR in der Natur sei ein bakterielles Immunsystem und CRISPR als Technologie etwas völlig anderes — und nicht katalogisierte CRISPR-ähnliche Sequenzen seien häufig, weil die meisten Bakterienarten nie untersucht wurden. Wie Quartz festhielt, hat das Unternehmen nicht bestimmt, was ART tut. Die Ankündigung ging wenige Minuten vor der Sitzung des UN-Sicherheitsrats zur KI-Sicherheit hinaus.

Warum es zählt — Jede Großpharma, die auf Jahrzehnten ungenutzter interner Sequenz-, Assay- und Bilddaten sitzt, hat jetzt eine konkrete Vorlage: Agenten auf den Bestand ansetzen, eine schwache Trefferquote akzeptieren und Nasslaborkapazität für den Rest einplanen. Der Engpass ist nicht mehr Rechenleistung oder Modellqualität. Er liegt darin, ob Sie ein hauseigenes Labor haben, das eine maschinell erzeugte Spur in Wochen statt Quartalen validieren kann — genau deshalb hat Anthropic eines gebaut.

Unsere Einschätzung — Die Reproduzierbarkeitszahl ist die eigentliche Geschichte, und fast jedes Medium hat sie versteckt. Zehn gescheiterte Wiederholungsläufe bedeuten, dass die Entdeckung keine Fähigkeit war, sondern eine Stichprobe aus einer Verteilung — und eine Organisation, die über die Finanzierung eines agentischen Entdeckungsprogramms entscheidet, sollte es als Portfolio billiger Lotterielose mit teuren Validierungskosten modellieren, nicht als Werkzeug, das verlässlich etwas leistet. Diese Sicht verändert das Organisationsdesign: Sie brauchen Durchsatz bei der Bestätigung, nicht bei der Erzeugung. Ein Effekt zweiter Ordnung, den man jetzt einpreisen sollte: Wenn eine so hohe Varianz inhärent ist, verschiebt sich der Wettbewerbsvorteil vom Modellzugang, den alle haben werden, zur Zykluszeit im Nasslabor, die fast niemand hat. Achten Sie darauf, dass Pharmaunternehmen kleine, schnelle, dedizierte Validierungslabore kaufen oder aufbauen, deren einziger Kunde die Agentenflotte ist — und auf die erste ernsthafte Arbeit, die Trefferquoten von Entdeckungsagenten über Wiederholungsläufe hinweg misst, denn derzeit berichtet das Feld seine Erfolge und verwirft stillschweigend seine Nenner. Ehrlich gelesen hat Anthropic das Richtige getan, als es die zehn Fehlschläge veröffentlichte. Wie das Feld auf diese Offenlegung reagiert, wird Ihnen zeigen, wie viel davon Wissenschaft ist.

Quellen: Anthropic · Gizmodo · The Conversation · TNW · Al Jazeera · Quartz

Boehringer wettet über 1 Mrd. Dollar darauf, dass die Targets schon immer in den Splicing-Daten lagen

Was ist neu — Boehringer Ingelheim und Envisagenics gaben am 22. September eine mehrjährige Kooperations- und Optionsvereinbarung bekannt; Envisagenics kann mehr als 1 Mrd. Dollar aus Vorabzahlung, Forschungsförderung, Optionsgebühren, Meilensteinen und Lizenzgebühren erhalten.

Wie es funktioniert — Alternatives RNA-Splicing lässt ein Gen mehrere Proteinisoformen erzeugen. Läuft das Splicing in Tumoren schief, können Proteinvarianten entstehen, die in Krebszellen und sonst fast nirgends vorkommen. Die SpliceCore-Plattform von Envisagenics wendet Machine Learning auf großskalige Transkriptomdaten an, um sie zu finden; nach Unternehmensangaben umfasst die Datenbank inzwischen über 14 Millionen unterschiedliche Splicing-Ereignisse. Boehringer kann validierte Targets für ADCs, T-Zell-Engager und multispezifische Antikörper einsetzen.

Hintergrund — Envisagenics hat bereits mit J&J, Biogen und Bristol Myers Squibb gearbeitet. Laut European Biotechnology gilt die Exklusivität nur für die von Boehringer ausgewählten Targets, nicht für die Plattform oder das weitere Portfolio — eine Struktur, die sich jeder merken sollte, der eine Discovery-Allianz verhandelt. Fierce Biotech verweist auf Boehringers frühere KI-Partnerschaften mit Immunai und OpenProtein.AI.

Warum es zählt — Hier wandert KI stromaufwärts. Der Großteil der KI-Ausgaben in der Pharma hat bisher Moleküle gegen Targets optimiert, die Menschen ausgewählt hatten. Hier wählt die Maschine das Target, und der Pharmapartner liefert Modalitäts-Know-how und Validierung. Wenn sich aus Splicing hervorgegangene Isoformen als wirklich tumorselektiv erweisen, wächst der adressierbare Target-Raum spürbar — in einem Moment, in dem die konventionelle Target-Liste sichtbar überfüllt ist.

Unsere Einschätzung — Biobucks-Schlagzeilen sind nahezu bedeutungslos, und die nicht offengelegte Vorabzahlung ist die einzige Zahl, die verraten würde, woran Boehringer tatsächlich glaubt. Doch die Deal-Struktur ist das Signal: Exklusivität auf Target- statt auf Plattformebene heißt, dass Envisagenics das Recht behielt, dieselbe Fähigkeit an Boehringers Wettbewerber zu verkaufen — und Boehringer hat das akzeptiert. Plattformunternehmen erzielen bessere Konditionen als noch vor zwei Jahren. Das Risiko, das niemand einpreist: Tumorselektivität auf Isoformebene ist auf Proteinebene notorisch schwer zu bestätigen — Transkript-Evidenz ist keine Expressions-Evidenz, und ein ADC, das auf eine nur manchmal translatierte Isoform zielt, ist eine teure Toxikologiestudie, die nur darauf wartet, zu passieren.

Quellen: GlobeNewswire · European Biotechnology · Fierce Biotech

Die NIH baut ein Werkzeug, das die Arbeiten findet, die der Zitationsgraph versteckt

Was ist neu — Die National Library of Medicine der NIH hat am 24. September eine Pilotfunktion namens Linked Discoveries auf PubMed veröffentlicht, die zeigen soll, wie eine Arbeit mit der Forschung um sie herum verbunden ist.

Wie es funktioniert — Von der PubMed-Seite einer Arbeit aus öffnet sich eine Karte ihrer Zitations-„Nachbarschaft“ — was sie zitiert, was sie zitiert, relativer Einfluss und wiederkehrende Themen. Der erklärte Zweck ist laut dem stellvertretenden NLM-Direktor Stephen Sherry, dem Umstand entgegenzuwirken, dass viel zitierte Befunde die Aufmerksamkeit absorbieren, während widersprechende und Null-Ergebnisse ungesehen bleiben. Bemerkenswert: Das Werkzeug basiert auf BiomedBERT, einem öffentlich verfügbaren Sprachverarbeitungsmodell, statt auf einem Frontier-LLM, und berechnet die Beziehungen täglich neu, sobald neue Artikel eintreffen.

Warum es zählt — Jede Entscheidung zur Target-Validierung in Ihrer Organisation beruht auf einer Literaturrecherche, die jemand unter Zeitdruck erstellt und nach Zitationszahl gewichtet hat. Ein Werkzeug, das systematisch die gescheiterten Replikationen und Null-Befunde neben einer gefragten Arbeit sichtbar macht, verändert die Basisraten früher Go/No-go-Entscheidungen — leise, und in Richtung weniger teurer Fehler.

Unsere Einschätzung — Die unspektakuläre Modellwahl ist die interessanteste Entscheidung hier. Ein Encoder von 2022, der täglich einen Zitationsgraphen neu berechnet, ist prüfbarer, günstiger und reproduzierbarer als ein LLM, das dieselbe Literatur zusammenfasst — und für ein öffentliches Infrastrukturwerkzeug, das verteidigbar sein muss, ist das der richtige Kompromiss. Rechnen Sie damit, dass kommerzielle Anbieter von Literatur-Intelligence ein schwierigeres Quartal haben, ihre Preise zu erklären. Offen ist die Nutzung: Reproduzierbarkeitswerkzeuge scheitern nicht, weil sie schlecht sind, sondern weil niemandes Anreize ihre Nutzung belohnen — und ein Knopf, der Ihnen sagt, dass die Gründungsarbeit Ihres Lieblings-Targets nie repliziert wurde, ist ein Knopf, den die meisten Programme lieber nicht drücken.

Quellen: Fierce Biotech

Washington will Berichten zufolge kontrollieren, wer Frontier-Modelle evaluieren darf

Was ist neu — Politico berichtete am 24. September, das Weiße Haus habe OpenAI und Anthropic gebeten, neue Frontier-Modelle dem britischen AI Security Institute vorzuenthalten, bis die Prüfung durch die US-Regierung abgeschlossen ist — so eine zusammenfassende Darstellung der Berichterstattung der Woche.

Hintergrund — Die Meldung kommt einen Tag, nachdem Anthropics CEO den UN-Sicherheitsrat gebeten hatte, ein eng gefasstes Verbot KI-gestützter Biowaffenentwicklung sowie Verifikationssysteme und gemeinsame Teststandards zu unterstützen, so CNN. Das britische AISI gehört zu den technisch ernsthafteren Evaluatoren biologischer Fähigkeiten vor dem Deployment. Eine Zugangsreihenfolge „USA zuerst“ hieße, dass die Stelle, die einen Teil dieser Arbeit leistet, Modelle später sieht als die Stelle in Washington.

Warum es zählt — Für europäische und britische Life-Science-Organisationen ist die praktische Frage nicht Geopolitik, sondern Timing: Wenn der Zugang zu Frontier-Modellen einer nationalen Warteschlange folgt, dann auch die Fähigkeit zur Frontier-Forschung — und jeder Forschungsplan in Wien, Basel oder Cambridge, der taggleichen Zugang zum besten verfügbaren Reasoning-Modell voraussetzt, braucht einen Plan B. Zudem passt es schlecht zum eigenen Vorschlag der Branche für eine internationale Verifikation.

Unsere Einschätzung — Zuerst der Quellenvorbehalt: Wir haben dies aus zweiter Hand und den Politico-Bericht nicht unabhängig bestätigt; behandeln Sie die Details daher als vorläufig. Dennoch passt die Richtung zu allem anderen im Jahr 2026, und die Spannung, die sie offenlegt, ist real. Man kann nicht gleichzeitig den Sicherheitsrat um ein grenzüberschreitendes Verifikationsregime für Biowaffenfähigkeiten bitten und eine nationale Politik unterstützen, die festlegt, welcher nationale Evaluator die Modelle zuerst sieht — Verifikationsregime bestehen genau aus solchen Institutionen. Der Effekt zweiter Ordnung für die Pharma ist konkret und nah: Einkaufsteams sollten Kontinuität des Modellzugangs in Lieferantenverträge schreiben, denn „unsere Discovery-Pipeline hängt von einem US-kontrollierten Modell ab“ ist jetzt ein operatives Risiko mit plausiblem Ausfallszenario, keine Hypothese.

Quellen: explainx.ai (Zusammenfassung von Politico) · CNN

Merck zahlt 400 Mio. Dollar vorab, bis zu 2,13 Mrd. Dollar insgesamt, für einen präklinischen KRAS-G12D-Inhibitor von Chinas SciBrunch

Ein präklinisches Asset aus konventioneller Chemie hat gerade vierhundert Millionen in bar erzielt — grob eine Größenordnung mehr echtes Geld als jeder KI-Discovery-Deal, der diesen Monat angekündigt wurde. Diese Zahl sollte man neben den Biobucks-Schlagzeilen im Blick behalten.

Quellen: STAT, 28. Sept.

Novartis stoppt Lifonebart, einen Anti-TREM2-Antikörper, nach der vierten Studienenttäuschung des Monats

TREM2 war ein gut gestütztes, durch Humangenetik abgesichertes Target. Kein noch so gutes Wiederlesen des Archivs behebt den Teil, in dem die Biologie bei Patienten schlicht nicht kausal ist.

Quellen: DDW, 22. Sept.

Der FDA-Tracker listet jetzt über 1.600 zugelassene KI-gestützte Medizinprodukte

Fast alle wurden per 510(k) über Gleichwertigkeit mit einem Vorgängerprodukt freigegeben statt auf Basis von Patientenergebnisdaten. Der regulatorische Präzedenzfall, der hier entsteht, ist prozedural — und KI auf der Arzneimittelseite wird seine Annahmen erben.

Quellen: FDA, Stand September 2026

Research and Markets prognostiziert für KI in der Wirkstoffforschung ein jährliches Wachstum von 28,7 % bis 2035, ausgehend von rund 2,4 Mrd. Dollar im Jahr 2025

Der gesamte Weltmarkt für KI in der Wirkstoffforschung ist kleiner als der Schlagzeilenwert zweier Deals, die diese Woche angekündigt wurden. Entweder messen die Prognosen Softwarelizenzen, während der Wert als Meilensteine anfällt, oder irgendjemandes Modell liegt falsch.

Quellen: GlobeNewswire, 23. Sept.

Biotech sammelt 140 Mio. Dollar ein, um ein Modell zu trainieren, das entscheiden soll, was mit den 140 Mio. Dollar geschieht

Ein Foundation-Model-Unternehmen aus London und Boston hat diese Woche eine überzeichnete Runde abgeschlossen, um eine neue Generation biologischer Modelle zu trainieren — nachdem es zuvor eine Generation biologischer Modelle trainiert hatte, die darauf trainiert waren, herauszufinden, worauf die nächste Generation trainiert werden sollte. Investoren zeigten sich zuversichtlich, dass die nächsten Modelle wesentlich besser sein werden als die aktuellen — eine Behauptung, die die aktuellen Modelle nicht bewerten konnten. Die Pipeline des Unternehmens bleibt präklinisch, ein Stadium, das es als „auf dem Weg in die klinische Entwicklung“ beschreibt — so wie es die Pipeline auch vor der Runde beschrieb. Ein Sprecher bestätigte, dass die Roadmap eine weitere Modellgeneration umfasst, finanziert durch eine weitere Runde, informiert durch die Modelle. Der Datensatz soll mehr als zehnmal so groß sein wie alle öffentlichen Ressourcen zusammen — was auch zehnmal mehr Daten sind, als irgendjemand gelesen hat.

Genom-Modell entdeckt, dass 84 % des Genoms nicht gelesen wurden, und gibt dem Genom die Schuld

Forschende gaben bekannt, dass ein neues Sprachmodell, das bakterielle Genome durchsucht, die überwältigende Mehrheit seiner vorhergesagten Interaktionen außerhalb jeder bestehenden Annotation fand — was sofort Sorge um die Annotationen auslöste. Das Team durchsuchte 150 Genome in weniger als zwei Stunden, ein Tempo, für das das Feld beim ersten Mal, wie Mikrobiologen anmerkten, rund dreißig Jahre brauchte. Folgearbeiten bestätigten mehrere Vorhersagen in lebenden Zellen, wobei noch niemand weiß, was die bestätigten Dinge tun. Förderer baten das Modell, keine weiteren unerklärten Systeme zu finden, bis die bereits unerklärten Systeme erklärt sind. Das Modell ist dem nicht nachgekommen.

Startup sammelt Geld, um Krankheiten zu heilen, die es noch nicht gibt, die aber seine Investoren erfinden werden

Ein diese Woche porträtiertes Biosicherheitsunternehmen entwickelt Antikörper-Gegenmittel gegen Erreger, die aktuelle KI-Systeme theoretisch mitentwerfen könnten — maßgeblich finanziert von dem Unternehmen, das diese KI-Systeme baut. Das Geschäftsmodell — das Problem verkaufen, dann die Lösung verkaufen, dann wieder das Problem verkaufen — wird intern als elegant und extern als geschlossener Kreislauf beschrieben. Die Führung erklärte, man beginne mit Influenza und gehe dann zu Coronaviren, Filoviren und Pocken-Verwandten über — was Branchenbeobachter eine ambitionierte Roadmap und Epidemiologen eine Liste der schlimmsten Dinge nennen. Klinische Studien sind für 2027 geplant; bis dahin dürfte sich die Bedrohungslage großzügig erweitert haben. Investoren nannten die Konstruktion eine natürliche Absicherung.

Biosurveillance-Gerät wiegt 23 Kilo, erkennt Erreger in der Luft und lässt sich von niemandem in der Biotech-Branche anheben

Ein Defence-Biotech hat diese Woche eine Seed-Runde für ein rund 23 Kilogramm schweres Gerät abgeschlossen, das Luft beprobt und das Gefundene nahezu in Echtzeit sequenziert — eine Frühwarnung vor künstlich erzeugten Erregern für alle, die es eine Treppe hinauftragen können. Erste Einsätze laufen Berichten zufolge an Standorten, die teils nach Bedrohungsprofil und teils nach Aufzugzugang ausgewählt wurden. Die Runde wurde teilweise von Personen finanziert, die bei einem Frontier-KI-Labor angestellt sind und damit sowohl die Erkennung künstlich erzeugter biologischer Bedrohungen finanzieren als auch die Modelle, die am häufigsten dafür angeführt werden, deren Entwicklung zu erleichtern. Das Unternehmen nennt das defensives Co-Scaling. Alle anderen nennen es Dienstag.

Worauf wir achten

Die konkrete Prognose: Innerhalb der nächsten zwei Quartale wird mindestens ein Top-20-Pharmaunternehmen öffentlich ein dediziertes Schnellvalidierungs-Nasslabor ankündigen — klein, intern und ausdrücklich darauf ausgerichtet, maschinell erzeugte Hypothesen zu bestätigen, statt ein Therapieprogramm zu betreiben —, weil Anthropics zehn gescheiterte Wiederholungsläufe den eigentlichen Engpass gerade sichtbar gemacht haben: Bestätigungsdurchsatz, nicht Modellzugang. Das frühe bestätigende Signal sind Einstellungen, nicht Pressemitteilungen: Stellenausschreibungen für Molekularbiologie- und Automatisierungspersonal, das an eine Computational- oder Data-Science-Organisation berichtet statt an die Discovery-Biologie, sowie jedes KI-Plattformunternehmen, das eine Validierungspartnerschaft mit einem CRO pro Hypothese statt pro Programm ankündigt. Was uns widerlegen würde: Bringen die nächsten zwei Quartale ein veröffentlichtes Ergebnis eines Entdeckungsagenten, das sich über unabhängige Wiederholungsläufe sauber reproduziert, löst sich das Varianzproblem auf, die Validierung ist nicht mehr der Engpass, und die Pharma wird rational weiter Modellzugang kaufen und die Bestätigung auslagern wie heute. Achten Sie auf die Nenner. Wer nur seine Treffer berichtet, sagt Ihnen, dass er dies nicht gemessen hat.

Ebenfalls diese Woche

• Die CEOs von Anthropic und OpenAI unterrichteten den UN-Sicherheitsrat, samt vorgeschlagenem Verbot KI-gestützter Biowaffenentwicklung
• Enveda sammelte 311 Mio. Dollar bei einer Bewertung von 2 Mrd. Dollar ein, gestützt auf zwei positive frühe klinische Readouts
• Genentech zahlte Earendil 55 Mio. Dollar vorab in einem bispezifischen Onkologie-Pakt im Wert von über 1,5 Mrd. Dollar
• Basecamp Research schloss eine Serie C über 140 Mio. Dollar ab, um die nächsten EDEN-Foundation-Models zu trainieren
• Arc Institute und Stanford veröffentlichten Minerva, ein Genom-Sprachmodell für koevolutionäres Mining
• Das WSJ porträtierte Red Queen Bio, ein von OpenAI unterstütztes Biosicherheits-Startup mit 36 Mio. Dollar Finanzierung
• Pilgrim sammelte 25 Mio. Dollar Seed für Biosurveillance-Hardware im KI-Zeitalter ein, persönlich unterstützt von Anthropic-Mitarbeitenden
• BindCraft2 erschien und ergänzt die Open-Source-Binder-Design-Pipeline um VHH, scFv und Humanisierung
• Endpoints kürte seinen Jahrgang 2026 mit elf Startups, darunter selbstfahrende Labore und Fabriken für menschliches Gewebe

Offenlegung

Der Leitartikel dieser Ausgabe betrifft Anthropic, und dieses Briefing wurde mit Claude verfasst, einem Modell von Anthropic — Leserinnen und Leser sollten den Leitartikel entsprechend gewichten. Er stützt sich in erster Linie auf Anthropics eigene Veröffentlichung sowie unabhängige Kommentare; der ART-Preprint ist nicht begutachtet, und die Funktion des Systems ist nicht bestimmt. Die Politik-Meldung stammt aus zweiter Hand, aus einer Zusammenfassung der Berichterstattung über einen Politico-Bericht, den wir nicht unabhängig überprüft haben. Deal-Werte sind durchweg Schlagzeilenzahlen einschließlich nicht offengelegter Vorabzahlungen und bedingter Meilensteine und sollten nicht als Barmittel gelesen werden. Marktprognosen stammen von Anbietern; ein separater Bericht derselben Firma vom 18. September nannte für 2026 und 2032 deutlich andere Zahlen, was für sich genommen bemerkenswert ist.

Format angelehnt an The Batch (DeepLearning.AI). Ehre, wem Ehre gebührt — und auch für sich genommen ein Abonnement wert. Ausgewählt und geprüft von Igor Gridchyn, Ph.D. Mehr unter gridchyn.ai.