Künstliche Intelligenz (KI) revolutioniert die Genomforschung, doch ein zentrales Problem bleibt: die Unsicherheit bei Vorhersagen. Bisherige KI-Tools wie tiefe neuronale Netze (DNNs) liefern oft Ergebnisse ohne klare Angaben zur Verlässlichkeit – eine Herausforderung, die Forschende in Biologie und Medizin behindert. Peter Koo, Associate Professor am Cold Spring Harbor Laboratory (CSHL), und seine ehemalige Postdoktorandin Jessica Zhou sowie Doktorandin Kaeli Rizzo haben nun eine Lösung vorgestellt: DEGU (Distilling Ensembles for Genomic Uncertainty-aware models). Dieses neue Verfahren nutzt einen Ansatz namens „Deep Ensemble Distribution Distillation“, bei dem mehrere DNNs trainiert und ihre gemeinsame Vorhersagedistribution zusammengefasst werden. Statt 10 oder mehr Modelle gleichzeitig zu betreiben, wird das Wissen aller in ein einziges, kompakteres Modell verdichtet – mit nur einem Zehntel der Größe, aber vergleichbarer Genauigkeit. Die entscheidenden Vorteile liegen in der verbesserten Vorhersagegenauigkeit, der besseren Erklärbarkeit der Ergebnisse und geringerem Energieverbrauch. Da nur ein Modell analysiert werden muss, ist es einfacher zu verstehen, welche genetischen Merkmale zu einer Vorhersage führen – ein entscheidender Vorteil für die wissenschaftliche Interpretation. Zudem reduziert DEGU den Ressourcenbedarf und beschleunigt die Forschung, da Forschende nicht mehr mit mehreren Modellen gleichzeitig arbeiten müssen. Die Methode wurde in der Fachzeitschrift npj Artificial Intelligence veröffentlicht und zeigt großes Potenzial für die Zukunft der biomedizinischen Forschung. Koo betont: „Wenn wir biologische Aussagen treffen, sollten wir uns nicht auf ein einzelnes Modell verlassen.“ DEGU ermöglicht es, Unsicherheiten quantifizierbar zu machen und so Hypothesen besser zu fundieren. Die Forschungsgruppe am CSHL arbeitet nun daran, DEGU weiter zu optimieren und für eine breite Nutzung zugänglich zu machen. Für die Wissenschaft ist das ein großer Schritt: Laborexperimente sind teuer und zeitaufwendig. Mit zuverlässigeren, erklärbaren KI-Modellen können Forschende gezielter arbeiten, weniger Zeit mit falschen Spuren verschwenden und schneller zu bedeutenden Entdeckungen gelangen – etwa in der Krebsforschung oder personalisierten Medizin. Industrielle Experten sehen in DEGU eine bahnbrechende Entwicklung. „Die Fähigkeit, Unsicherheit in KI-Vorhersagen transparent zu machen, ist entscheidend für den Einsatz in klinischen und biotechnologischen Anwendungen“, sagt ein Experte für KI in der Biomedizin. Die Kombination aus Effizienz, Genauigkeit und Erklärbarkeit macht DEGU zu einem vielversprechenden Werkzeug für die nächste Generation der genomischen Forschung.