Microsoft Discovery: Phagentherapie-Pipeline in weniger als vier Stunden entwickelt

Warum die Auswahl von Phagen schwierig ist

Resistente Infektionen sind laut Microsoft eine große Gefahr für die globale Gesundheit und treiben die Suche nach Therapien voran, wenn Antibiotika nicht mehr wirken. Bakteriophagen, kurz Phagen, sind Viren, die Bakterien befallen und sich gegen resistente Mikroben einsetzen lassen. Sie kommen in der Umwelt reichlich vor, doch die passenden Phagen für eine bestimmte Infektion zu finden, ist schwierig. Laut dem Beitrag hängt die Wirksamkeit von der Genetik der Phagen, den Abwehrmechanismen der Bakterien gegen Phagen und der Infektionsdynamik ab.

Das Team nutzte die Microsoft Discovery App, um einen bioinformatischen Workflow zu entwickeln, der große Umweltdatensätze nach nützlichen Phagen gegen bakterielle Krankheitserreger durchsucht. Die Pipeline sollte mit anerkannten Methoden erklärende Statistiken liefern, damit Forschende entscheiden können, welche Phagen sie im Labor testen. Microsoft betont, dass es nicht darum gehe, ein Behandlungsergebnis zu behaupten, sondern einen reproduzierbaren rechnerischen Ansatz zu schaffen.

So arbeitete das Team aus Mensch und Agent

Das Team beschrieb das wissenschaftliche Ziel in gängiger Fachsprache. Die Discovery-App machte daraus einen Forschungsassistenten mit einer bestimmten Persona, die Microsoft als "Purpose" bezeichnet, mit erwarteten technischen Ergebnissen und einem nachvollziehbaren "Task"-Baum. Die Forschenden hatten fein abgestufte Kontrolle über die einzelnen Aufgaben und den Gesamtansatz und konnten den Workflow umlenken, wenn ihre Einschätzung es verlangte.

Die Anforderungen an die App lauteten, dass die Pipeline:

• das Genom eines bakteriellen Erregers als Eingabe akzeptiert;
• Marker für Antibiotikaresistenzen überprüft und ein Resistenzprofil erstellt;
• abschätzt, welche Arten von Abwehrmechanismen gegen Phagen vorhanden sein könnten;
• Umweltdaten nach neuartigen Phagen durchsucht, die die Bakterien infizieren könnten;
• eine Mischung aus einem oder mehreren therapeutischen Phagen vorschlägt;
• die Rechenschritte und die Belege hinter dem Ergebnis erläutert;
• weiterführende Laborexperimente empfiehlt.

Statt Agenten das gesamte Internet durchsuchen zu lassen, konzentrierte das Team die Recherche über die Funktion Microsoft Discovery Bookshelf auf eine kuratierte Artikelsammlung. Sie speichert, indexiert und durchsucht vertrauenswürdiges Material getrennt vom übrigen Web. Die erste Aufgabe wertete ein anfängliches Bookshelf mit 170 Artikeln aus der Sammlung der Forschenden aus, bevor weitere Quellen hinzukamen.

Der Agent entwickelte und integrierte außerdem MCP-basierte Adapter, die Zugriff auf Ressourcen wie PubMed, Europe PMC, NCBI BLAST, Semantic Scholar, ClinicalTrials.gov, AlphaFold und Biomarker-Datenbanken eröffnen. Laut Microsoft dauerte das nur Minuten und ersparte erheblichen Entwicklungsaufwand. In einem Beispiel schlug der Agent einen überarbeiteten Plan vor, der Literatursuche, Genomanalyse und Vorhersage von Proteinstrukturen verband. Das Team prüfte und genehmigte ihn, bevor die betroffenen Aufgaben starteten.

Ergebnisse, Expertenprüfung und Grenzen

Die Discovery-App schlug eine Rechenarchitektur mit sechs Modulen vor, samt definierten Ein- und Ausgaben, Qualitäts- und Sicherheitsprüfungen, alternativen Ansätzen, Positiv- und Negativkontrolldatensätzen, einem Plan zur Laborvalidierung und unterstützenden Quellen. Einen erheblichen Teil der Zeit von unter vier Stunden benötigten laut Microsoft die Beschaffung genomischer Referenzen und die Ausführung anspruchsvoller bioinformatischer Workflows.

Fachleute prüften und validierten die Artefakte bereits während der Erstellung, und freigegebene Elemente flossen zurück in die kuratierte Wissensbasis. Laut dem Beitrag war diese Expertenprüfung entscheidend, um wissenschaftlich fundierte Ergebnisse von "plausibel klingenden, aber unbelegten KI-Ausgaben" zu trennen und Bereiche zu finden, die vor einem verlässlichen und wiederverwendbaren Einsatz der Pipeline nachgebessert werden mussten.

Was das bedeutet

Microsoft beschreibt das Ergebnis als strukturierten Plan, eine funktionierende cloudbasierte Implementierung und ein klareres Bild der Evidenzlücken, die noch von Fachleuten geprüft und im Labor validiert werden müssen. Der Autor schreibt, die App habe die Expertise "verstärkt, statt sie zu ersetzen". Sie habe geholfen, eine deterministische, wiederverwendbare Pipeline zu bauen und dabei an jedem folgenreichen Entscheidungspunkt das menschliche Urteil zu bewahren. Der Beitrag ist eine Fallstudie zu einem Workflow und kein klinisches Ergebnis, eine experimentelle Validierung steht weiterhin aus.