Genesis Mission braucht solide Biodaten-Grundlagen, sagt CSET

Die Genesis Mission wird mehr als eine große Sammlung biologischer Datensätze benötigen, um verlässliche KI für die Wissenschaft zu unterstützen. Das geht aus einer neuen Analyse des Center for Security and Emerging Technology der Georgetown University hervor. Laut CSET könnten Datenmenge, Verteilung, Metadaten, Qualität und Zugänglichkeit die Leistungsfähigkeit der geplanten Plattform beeinflussen.
- Die Genesis Mission will mehr als 350.000 wissenschaftliche Datensätze der US-Regierung zusammenführen.
- CSET nennt fünf Kategorien von Biodaten-Herausforderungen.
- Mehr als 80% der von CSET untersuchten Mikroskopiedaten konzentrierten sich auf menschliche Zellen.
- Gemeinsame Metadaten und Datenstandards könnten die Interoperabilität verbessern.
- CSET empfiehlt koordinierte Datenprioritäten und eine offizielle Finanzierung durch den Kongress.
Eine Plattform für wissenschaftliche Daten der US-Regierung
Die 2025 per Executive Order gestartete und vom Department of Energy geleitete Genesis Mission soll KI-Modelle mit Datensätzen der US-Regierung trainieren und damit wissenschaftliche Entdeckungen fördern. Die Biotechnologie ist ein Bereich, in dem die Initiative KI einsetzen könnte. Mögliche Anwendungen reichen von der menschlichen Gesundheit und neuartigen Materialien bis zur Erforschung lebender Systeme.
Um diese Arbeit zu unterstützen, will die Mission mehr als 350.000 unterschiedliche wissenschaftliche Datensätze der US-Regierung auf einer gemeinsamen Plattform namens American Science and Security Platform zusammenführen. Der Erfolg der Plattform wird laut der CSET-Analyse davon abhängen, wie gut sie mit den praktischen Schwierigkeiten großer biologischer Datenbanken umgeht, und nicht allein von der Datenmenge.
Fünf Herausforderungen könnten das KI-Training prägen
CSET nennt fünf Kategorien von Datenherausforderungen: Datenmenge, Verteilung, Metadaten und Standardisierung, Qualität und Validierung sowie Zugänglichkeit und Nutzbarkeit. Die Forschenden verglichen Datenbanken zu Proteinstrukturen und Mikroskopie, um zu zeigen, wie wissenschaftliche Praktiken und logistische Einschränkungen Begrenzungen schaffen können, die wahrscheinlich auch bei anderen Biodatentypen auftreten.
Begrenzte Daten können dazu führen, dass ein KI-System Muster lernt, die von einer kleinen oder verzerrten Stichprobe statt von der Realität geprägt sind. Bei den von CSET untersuchten Mikroskopiedaten waren Bilder mit Zellkernrändern deutlich häufiger als Bilder mit Zellrändern. Die Analyse ergab außerdem, dass sich mehr als 80% der Mikroskopiedaten auf menschliche Zellen konzentrierten. Ein darauf trainiertes Modell könnte daher schlecht abschneiden, wenn es eine Pflanzenzelle segmentieren soll.
Die Verteilung kann selbst bei einer großen Datenbank Verzerrungen verursachen. Laut CSET könnten Proteinstrukturen, die mittels Röntgenkristallografie erfasst wurden, Proteine überrepräsentieren, die sich leichter kristallisieren lassen. Da Proteine ihre Struktur innerhalb von Zellen verändern können, liefert eine zu einem bestimmten Zeitpunkt erfasste Struktur möglicherweise nur einen Teil der Informationen, die zur Vorhersage ihres Verhaltens erforderlich sind.
Standardisierung und Governance sind entscheidend
Der Analyse zufolge können einheitliche Annotationen und Metadaten Entwicklern helfen, geeignete Trainingsdaten zu finden und Datensätze aus verschiedenen Quellen zu kombinieren. Ohne gemeinsame Benennungen, Strukturen und Formate lassen sich Einträge aus getrennten Datenbanken nur schwer zusammenführen. Selbst Bezeichnungen innerhalb einer einzigen Datenbank können unterschiedlich viele Informationen enthalten: Ein Datensatz nennt die Quelle etwa als „Hund“, während ein anderer zusätzlich einen Gewebetyp oder eine Zelllinie angibt.
CSET verweist auf die Standards Recommended Metadata for Biological Images oder REMBI, die vom BioImage Archive verwendet werden, als Fortschritt hin zu konsistenteren Daten. Die Organisation betont, dass solche Standards keine vollständige Lösung darstellen, und empfiehlt, dass die Genesis Mission Datenbankbetreiber zur Übernahme gemeinsamer Ansätze ermutigt. Außerdem sollten Standards für andere Arten biologischer Daten und für das KI-Training entwickelt werden.
CSET empfiehlt zudem, dass die Verantwortlichen der Genesis Mission die Interessengruppen bei den Datenprioritäten koordinieren und eine offizielle Finanzierung der Mission durch den Kongress sichern. Wenn diese Fragen beim Aufbau der American Science and Security Platform berücksichtigt werden, könnten die integrierten Datensätze besser für KI nutzbar werden und datenbankübergreifende Forschung unterstützen, heißt es in der Analyse.
CSET Georgetown: Biodata Matters for the Genesis Mission

