Genetik, künstliche Intelligenz und personalisierte Medizin. Das IIMI Institute verbindet diese Bereiche mit langjähriger medizinischer Erfahrung.
Medizinische ErfahrungKI als GrundlageMünchen, Deutschland
Im Kern: Verständnis
Von der Sequenz zur Bedeutung.
DNA
Die biologische Grundlage der Individualität.
Mehr erfahren
Die DNA speichert die Erbinformation. Um zu verstehen, wie sie zum Tragen kommt, berücksichtigen Forschende die Funktion der Zellen und weitere biologische Daten.
Mehr Aufmerksamkeit für die Besonderheiten jedes Menschen.
Mehr erfahren
Für IIMI beginnt ein personalisierter Ansatz bei den Unterschieden zwischen Menschen. Medizinische Erfahrung hilft, die Verbindung zwischen Technologie und Mensch zu bewahren.
Am IIMI Institute ist künstliche Intelligenz Teil der täglichen Arbeit. Das Institut verbindet langjährige medizinische Erfahrung mit der Entwicklung eigener Technologien.
Übergang
Schicht 1Sequenz
Schicht 2Zellulärer Kontext
Schicht 3Datenstruktur
Tiefe in den Zusammenhängen
Was macht aus Daten Verständnis?
Daten über einen Menschen liegen in Schichten vor: Erbanlagen, Laborwerte, Verlaufsbeobachtungen. Jede Schicht für sich sagt wenig aus.
Mehr Verständnis.
Verständnis entsteht dort, wo die Schichten zueinander in Beziehung gesetzt werden: Erbanlagen neben Messwerten, Messwerte neben dem Verlauf. So geht das IIMI Institute an Daten heran: nicht Quelle für Quelle, sondern über die Zusammenhänge zwischen ihnen.
KI hilft, DNA zu lesen, Daten abzugleichen und neue Ideen zu prüfen. Studien zeigen, wie sich die Möglichkeiten dieses Feldes erweitern.
Umfang
Modelle
Forschung
Horizonte
01 / 09
Messdaten · 2002–2025
Die Menge der DNA-Daten wächst.
Öffentliche Archive zeigen den Umfang der genetischen Daten, mit denen die moderne Biologie arbeitet.
GenBank traditionalWGS
GenBank: Zahl der Nukleotidbasen in zwei Bereichen des Archivs. Stand jeweils Dezember; logarithmische Skala. Daten abgerufen am 11.09.2026.
Das Archiv enthält Sequenzen verschiedener Organismen, nicht etwa Genome einzelner Menschen.
Quelle und Erläuterung
Traditional GenBank und WGS werden getrennt dargestellt. Die Archivgröße zum Release-Datum entspricht nicht der Zahl neuer Studien pro Jahr. Für eine einheitliche Jahresreihe wurde der Dezember gewählt; der Stand vom August 2026 ist separat verfügbar.
R01 · GenBank and WGS Statistics · NCBI / NLM / NIH. Quelle öffnen
Daten ansehen
Stand
traditional
WGS
Dez. 2002
28.507.990.166
6.702.372.564
Dez. 2003
36.553.368.485
14.523.454.868
Dez. 2004
44.575.745.176
35.009.256.228
Dez. 2005
56.037.734.462
59.638.900.034
Dez. 2006
69.019.290.705
81.611.376.856
Dez. 2007
83.874.179.730
106.505.691.578
Dez. 2008
99.116.431.942
141.374.971.004
Dez. 2009
110.118.557.163
158.317.168.385
Dez. 2010
122.082.812.719
177.385.297.156
Dez. 2011
135.117.731.375
239.868.309.609
Dez. 2012
148.390.863.904
356.002.922.838
Dez. 2013
156.230.531.562
556.764.321.498
Dez. 2014
184.938.063.614
848.977.922.022
Dez. 2015
203.939.111.071
1.297.865.618.365
Dez. 2016
224.973.060.433
1.817.189.565.845
Dez. 2017
249.722.163.594
2.466.098.053.327
Dez. 2018
285.688.542.186
3.656.719.423.096
Dez. 2019
388.417.258.009
6.277.551.200.690
Dez. 2020
723.003.822.007
11.830.842.428.018
Dez. 2021
1.053.275.115.030
14.922.033.922.302
Dez. 2022
1.635.594.138.493
19.086.596.616.569
Dez. 2023
2.570.711.588.044
24.651.580.464.335
Dez. 2024
5.085.904.976.338
32.983.029.087.303
Dez. 2025
6.651.459.875.408
42.125.323.988.215
Aug. 2026
8.236.878.868.450
50.829.714.144.609
Messdaten · 2015–2025
Die Wissenschaft erforscht die Form von Molekülen.
Biologie ist mehr als die Sequenz. Räumliche Strukturen helfen zu erforschen, wie Moleküle aufgebaut sind.
20159.242
201610.801
201711.056
201811.157
201911.467
202013.976
202112.567
202214.247
202314.445
202415.279
202517.566
010.00020.000
veröffentlichte Einträge pro Jahr
Pro Jahr veröffentlichte Struktureinträge der wwPDB. Vollständige Jahre; Tabellenstand vom 1. September 2026.
Gezählt werden Archiveinträge, nicht unterschiedliche Proteine. Warum das Archiv wächst, zeigt die Grafik nicht.
Quelle und Erläuterung
Verwendet wird die Tabelle „Number of Structures Released per year“, nicht die Statistik der eingereichten Einträge. Das unvollständige Jahr 2026 ist ausgeschlossen. Historische Werte können nachträglich revidiert werden, wenn sich der Status von Einträgen ändert.
AlphaGenome verknüpft die DNA-Sequenz mit Vorhersagen zur Genaktivität und zu anderen molekularen Prozessen.
EingabeDNA-Abschnitt · etwa 1 Mio. Basenpaare
ModellForschungsmodell
TranskriptionRNA-seq · CAGE · PRO-cap
SpleißenSpleißstellen · Nutzung · Verbindungen
Zugänglichkeit und regulatorische MarkierungenDNase · ATAC · histone · TF
Räumliche KontakteChromatin-Kontaktkarten
Eingabe: etwa 1 Mio. Basenpaare; Ausgabe: 11 Signaltypen, im Schema in vier Gruppen zusammengefasst.Quelle und Erläuterung
Gruppen: Transkription, Spleißen, Zugänglichkeit und regulatorische Markierungen, räumliche Kontakte. Auflösung und Evaluationsaufgaben unterscheiden sich je nach Ausgabe. Die Illustration zeigt weder eine reale Sequenz noch ein Ergebnis von IIMI.
R03 · AlphaGenome · Nature · 28.01.2026. Quelle öffnen
Forschungsmodell · Nature, 2025
Was DNA bedeutet, hängt von der Zelle ab.
Das Modell GET verbindet Informationen über die DNA mit Messungen in der Zelle, um die Genaktivität vorherzusagen.
Eingabe 1DNA-Motive
Eingabe 2 · MessungZugänglichkeit von DNA-Abschnitten in der Zelle
ModellGET
AusgabeVorhersage der Genaktivität
SeparatVergleich mit gemessener Genaktivität
Zwei Eingaben: DNA-Motive und die in der Zelle gemessene Zugänglichkeit von DNA-Abschnitten (Chromatin-Zugänglichkeit). Ausgabe: eine Vorhersage der Genaktivität.
Das Modell betrachtet nicht nur die DNA: Messungen aus der Zelle selbst fließen separat ein.
Quelle und Erläuterung
Die Arbeit beschreibt 213 Zelltypen für das Vortraining und 153 Typen mit gepaarten Daten für spätere Schritte. Das ist weder eine Patientenzahl noch ein Qualitätswert in Prozent. Im Schema zählt die Struktur der Eingaben, nicht ein Wettbewerb zwischen Modellen.
Benchmark der Entwickler · technischer Preprint, 2026
Aus Dokumenten werden Daten.
Die Studie verglich, wie zwei Versionen eines KI-Modells Angaben aus Labordokumenten extrahieren.
MedGemma 1 4BMedGemma 1.5 4B
EHR Dataset 2 · nicht öffentlich
7891
EHR Dataset 3 · nicht öffentlich
5071
EHR Dataset 4 · nicht öffentlich, synthetisch
2564
Mendeley Clinical Laboratory Test Reports · öffentlich
85
050100
Macro-F1, Skala 0–100
Extraktion von Feldern aus Labordokumenten. Macro-F1 auf einer Skala von 0 bis 100. Die gewählte Tabelle nennt keine Konfidenzintervalle.
Drei Datensätze sind nicht öffentlich, einer davon synthetisch; der vierte ist öffentlich.
Quelle und Erläuterung
Für die vier Datensätze sind die Wertepaare 78→91, 50→71, 25→64 und 85→85 veröffentlicht. Vergleichen lassen sich die beiden Versionen jeweils innerhalb eines Datensatzes; die Werte der vier Datensätze zu einer allgemeinen „KI-Genauigkeit“ zu mitteln, ist nicht zulässig.
Mit einem Modell entworfene DNA-Abschnitte wurden an Drosophila getestet. Die Forschenden maßen, ob die gewünschte Aktivität in den ausgewählten Zellen auftrat.
Kenyon-Zellen
10 von 13
Perineuriale Glia
4 von 6
ein gefülltes Symbol bedeutet, dass die gewünschte Aktivität nachgewiesen wurde; ein leeres, dass sie nicht nachgewiesen wurde
Die Zielaktivität wurde bei 10 von 13 ausgewählten Konstrukten für Kenyon-Zellen und bei 4 von 6 für perineuriale Glia nachgewiesen. Das sind zwei getrennte Serien derselben Studie.
Die Stichproben sind klein, und es handelt sich um ein Experiment an Drosophila, nicht am Menschen.
Quelle und Erläuterung
Bei drei Konstrukten ohne Ziel-GFP-Signal fehlte in der ersten Serie auch der Zellmarker; die übrigen Symbole dürfen daher nicht automatisch als „KI-Fehler“ gelten.
R06 · Cell-type-directed design of synthetic enhancers · Nature · 12.12.2023. Quelle öffnen
Daten ansehen
Serie
Nachgewiesen
Geprüft
Kenyon-Zellen
10
13
Perineuriale Glia
4
6
Forschungsagent · Science, 2026
KI unterstützt die Forschungsarbeit.
Forschungsagenten können Aufgaben planen, Werkzeuge nutzen und Code ausführen. Biomni ist ein Beispiel für diesen Ansatz.
01Frage
02Plan
03Werkzeuge
04Code / Analyse
05Überprüfbares Ergebnis
Die Prüfung fließt in den Plan zurück
Konzeptschema: Frage → Plan → Werkzeuge und Code → überprüfbares Ergebnis.Quelle und Erläuterung
Grundlage ist die Beschreibung der endgültigen Veröffentlichung. Geschwindigkeit, Erfolgsquoten und andere Kennzahlen werden nicht angegeben, da sie eine Prüfung des Volltexts erfordern statt einer Übernahme aus einem frühen Preprint.
Eines der Expertenszenarien: Modelle helfen, Zellen zu erforschen, und Messungen ermöglichen es, die Modelle zu prüfen.
2035
Szenario
Modell und Experiment nähern sich an: Automatisierung von Forschungsschritten, Interpretation neuer Messungen, überprüfbare biologische Modelle.
DatenqualitätÜberprüfbarkeitInteroperabilität
Eine mögliche Entwicklungsrichtung: stärker automatisierte Forschung und überprüfbare Modelle der Biologie.Quelle und Erläuterung
Voraussetzungen für Fortschritt: hochwertige Daten, reproduzierbare Experimente, interoperable Werkzeuge und eine zugängliche Forschungsinfrastruktur.
R08–R10 · Sanger Genomics Futures Series · Wellcome Sanger Institute. Quelle öffnen
Expertenszenario · Horizont 2050
Komplexere digitale Modelle der Biologie.
In Expertendiskussionen geht es um komplexere Modelle und einen breiteren Zugang zu Forschungstechnologien.
2050
Szenario
Modellierung komplexer Systeme, Zusammenspiel von KI und Forschenden, internationale Verfügbarkeit von Forschungswerkzeugen. Die Struktur bleibt offen: Das ist ein Horizont, keine Skala fehlender Genauigkeit.
ValidierungSicherheitZugänglichkeit
Möglichkeiten der Zukunft: Modellierung komplexer Systeme, Zusammenspiel von KI und Forschenden, internationale Verfügbarkeit von Werkzeugen.Quelle und Erläuterung
Offen bleiben Fragen der Datenqualität, der Modellvalidierung, der Sicherheit, des Vertrauens und des gleichberechtigten Zugangs. Diese Bedingungen lassen sich nicht durch eine einzige steigende Kurve ersetzen.
R08–R10 · Wellcome Sanger Institute, Horizonte 2025. Quelle öffnen
Nicht einfach mehr Daten. Mehr Verständnis.
Der Ansatz des IIMI Institute
Für IIMI zählt die Verbindung zwischen medizinischer Erfahrung, Daten und den Besonderheiten jedes Menschen.
