de
Warum wird KI in der Mikrobiologie eingesetzt?
Verschiedene technologische Fortschritte, darunter Genomsequenzierung, Metagenomik, digitale Bildgebung und die automatisierte Erfassung klinischer Daten, haben die Verfügbarkeit mikrobiologischer Daten erheblich erhöht. Von der Erforschung des menschlichen Darmmikrobioms bis hin zur Verbesserung der klinischen Diagnostik haben Wissenschaftler nun beispiellose Möglichkeiten, Mikroorganismen besser zu verstehen [1].
Diese Fülle an Informationen stellt jedoch eine neue Herausforderung dar: Wie lassen sich diese umfangreichen, komplexen Datensätze in großem Maßstab analysieren und interpretieren?
Um dies zu bewältigen, wird der Einsatz künstlicher Intelligenz (KI) in einer Reihe von mikrobiologischen Anwendungen evaluiert. Modelle des maschinellen Lernens (ML) können dabei helfen, Sequenzierungsdaten zu interpretieren, Muster zu erkennen, Mikroorganismen zu klassifizieren, Ergebnisse vorherzusagen und neue Forschungshypothesen zu generieren [1]. Auch wenn sich das Fachgebiet noch in der Entwicklung befindet und die Rolle des Laborwissenschaftlers für die Validierung von Erkenntnissen und die Interpretation von Ergebnissen nach wie vor unverzichtbar ist, beginnen KI-Technologien bereits, die Art und Weise zu verändern, wie mikrobiologische Daten analysiert werden, und helfen Forschern dabei, einen größeren Teil ihrer Zeit auf die Interpretation, die Versuchsplanung und übergeordnete klinische Entscheidungsfindung zu konzentrieren.
Auf der Grundlage kürzlich veröffentlichter Studien untersuchen wir, wie KI derzeit in der mikrobiologischen Forschung eingesetzt wird – vom Darmmikrobiom bis zur klinischen Mikrobiologie – und betrachten, was die Zukunft für dieses sich rasch entwickelnde Fachgebiet bereithalten könnte.
Inwiefern hilft KI Forschern dabei, das Darmmikrobiom zu verstehen?
Während KI bereits in Bereichen der Darmmikrobiomforschung wie der Erstellung von Mikrobiomprofilen, der Analyse von DNA-Sequenzierungsdaten und der Klassifizierung unbekannter Organismen zum Einsatz kommt [1], ist ein weiterer spannender Bereich das Verständnis der Wechselwirkungen zwischen Mikroben und Wirten: die Beziehung zwischen mikrobiellen Gemeinschaften und deren Auswirkungen auf die menschliche Gesundheit.
Ein Beispiel hierfür ist der Einsatz von maschinellem Lernen (ML) zur Unterscheidung von Subtypen entzündlicher Darmerkrankungen (IBS), darunter Colitis ulcerosa und Morbus Crohn [2]. Huang et al. (2025) führten eine systematische Übersicht über Studien durch, in denen ML-Modelle zur Unterstützung der Klassifizierung dieser Erkrankungen eingesetzt wurden. Nach der Identifizierung von 31 geeigneten Studien ergab die Übersichtsarbeit, dass Ansätze wie „Random Forest“- und „Support-Vector-Machine“-Modelle das Potenzial haben, die diagnostische Genauigkeit bei der Unterscheidung zwischen Colitis ulcerosa und Morbus Crohn zu verbessern. Die Ergebnisse unterstreichen das Potenzial von ML-Ansätzen, personalisiertere Behandlungsstrategien zu unterstützen und die Behandlungsergebnisse für Patienten zu verbessern. Allerdings ist eine weitere Validierung anhand größerer und vielfältigerer Datensätze unerlässlich, bevor diese Ansätze in die routinemäßige klinische Praxis Einzug halten können.
Neben der Analyse der Zusammenhänge zwischen mikrobiellen Gemeinschaften und Krankheiten wird KI zunehmend auch im Bereich der Präzisionsernährung erforscht, um Forschern dabei zu helfen, zu verstehen, warum Menschen unterschiedlich auf dieselben Lebensmittel reagieren können. Durch die Kombination von Daten zur Mikrobiomzusammensetzung, zu Blutmarkern, Ernährungsinformationen und Stoffwechselreaktionen können ML-Modelle Muster identifizieren, die personalisiertere Ernährungsempfehlungen ermöglichen [3].
So hat beispielsweise das PREDICT-Programm – eine Reihe klinischer Studien, an denen Forscher des Massachusetts General Hospital, des King’s College London, von Stanford Medicine und der Harvard T.H. Chan School of Public Health beteiligt waren – ML-Ansätze genutzt, um individuelle Unterschiede in den Reaktionen auf Nahrungsmittel zu untersuchen und ein besseres Verständnis für personalisierte Ernährung zu entwickeln [3]. Die PREDICT-1-Studie untersuchte Unterschiede in den Glukose-, Insulin- und Triglycerid-Reaktionen nach standardisierten Mahlzeiten unter Berücksichtigung von Faktoren wie Genetik, Zusammensetzung des Darmmikrobioms, Zusammensetzung der Mahlzeit, Alter, Geschlecht und BMI. Die Studie zeigte, dass genetische Faktoren allein die Variation der Stoffwechselreaktionen nicht vollständig erklären konnten, wobei das Darmmikrobiom und andere Lebensstilfaktoren zusätzliche Erkenntnisse lieferten. Durch die Kombination dieser vielfältigen Datenquellen konnten ML-Modelle die individuellen Blutzucker- und Triglyceridreaktionen nach einer Mahlzeit genauer vorhersagen und damit das Potenzial von KI zur Unterstützung zukünftiger Ansätze der personalisierten Ernährung aufzeigen.
Wie wird KI in der klinischen Mikrobiologie und Diagnostik eingesetzt?
KI trägt auch dazu bei, das Gebiet der klinischen Mikrobiologie voranzubringen, da Labore zunehmend das Potenzial der digitalen Mikrobiologie ausloten. Die digitale Mikrobiologie kombiniert traditionelle mikrobiologische Methoden mit Automatisierung, Bildgebungstechnologien, künstlicher Intelligenz und Datenanalyse, um die Effizienz zu steigern, die Auswertung zu unterstützen und den Zeitaufwand für bestimmte manuelle Prozesse zu reduzieren [1].
Eine neue Anwendungsmöglichkeit ist der Einsatz von KI zur schnelleren Identifizierung von Krankheitserregern. KI-Ansätze werden parallel zu Technologien wie der MALDI-TOF-Massenspektrometrie und der Gesamtgenomsequenzierung (WGS) erforscht [1] und helfen Forschern dabei, komplexe Datensätze zu analysieren, um die Klassifizierung von Mikroorganismen zu verbessern, ungewöhnliche Organismen zu identifizieren und Übertragungsmuster während Ausbrüchen besser zu verstehen.
Durch die Integration in bestehende mikrobiologische Arbeitsabläufe hat KI das Potenzial, die Auswertung zu verbessern und eine schnellere Entscheidungsfindung zu unterstützen, anstatt das Fachwissen von Mikrobiologen zu ersetzen. Dieser Ansatz steht auch im Mittelpunkt der Entwicklung von PhenoMATRIX® durch COPAN, einer KI-gestützten Softwareplattform, die zur Unterstützung der Auswertung von Bakterienkulturplatten in klinischen Labors konzipiert wurde. PhenoMATRIX® kombiniert KI-gestützte Bildanalyse mit Daten aus Laborinformationssystemen (LIS), um digitale Bilder von Kulturplatten automatisch zu analysieren und zu sortieren. So unterstützt es Mikrobiologen dabei, relevante Wachstumsmuster zu identifizieren und Proben zu priorisieren, die einer weiteren Untersuchung bedürfen [4]. Die Software kann mikrobielles Wachstum erkennen, Koloniezahlen schätzen und Isolate anhand phänotypischer Kolonieeigenschaften unterscheiden, bevor sie vom Labor definierte Klassifizierungsregeln anwendet. Die Technologie ist nun von der FDA gemäß 510(k) (K251511) als Medizinprodukt der Klasse II zugelassen [4], was einen wichtigen Schritt bei der Einführung KI-gestützter digitaler Mikrobiologie-Arbeitsabläufe darstellt. Durch die Entlastung bei sich wiederholenden Screening-Aufgaben sollen KI-Tools wie PhenoMATRIX® es Mikrobiologen ermöglichen, mehr Zeit für komplexe Auswertungen, klinische Entscheidungsfindung und die Anwendung ihres Fachwissens dort aufzuwenden, wo es den größten Mehrwert bringt.
Eine weitere vielversprechende Anwendung von KI in der klinischen Mikrobiologie ist die Vorhersage von Antibiotikaresistenzen (AMR). Bislang muss zur Feststellung, ob ein Bakterium gegen ein bestimmtes Antibiotikum resistent ist, der Erreger kultiviert und ein Empfindlichkeitstest durchgeführt werden – ein Vorgang, der mehrere Tage in Anspruch nehmen kann. Derzeit werden KI-Modelle untersucht, die eine Kombination aus genetischen Daten, phänotypischen Merkmalen und klinischen Informationen analysieren, um Resistenzprofile schneller vorherzusagen [5]. Auch wenn diese Ansätze frühzeitige, zielgerichtete Behandlungsentscheidungen und einen verbesserten Umgang mit Antibiotika unterstützen könnten, bleiben Labortests und mikrobiologisches Fachwissen unerlässlich, um die von der KI generierten Vorhersagen zu validieren.
Was sind die Herausforderungen und Zukunftsperspektiven der KI in der Mikrobiologie?
Mit der fortschreitenden Entwicklung der KI werden diese Anwendungsbereiche voraussichtlich immer stärker in Laborabläufe integriert, während sich gleichzeitig neue potenzielle Anwendungsmöglichkeiten in der Mikrobiologie ergeben dürften. Von der Verbesserung unseres Verständnisses mikrobieller Gemeinschaften über die Unterstützung einer schnelleren Diagnostik bis hin zur Ermöglichung neuer Ansätze zur Vorhersage und Behandlung von Krankheiten könnte KI zu einem unschätzbaren Werkzeug in Forschungs- und klinischen Arbeitsabläufen werden.
Auch wenn die Möglichkeiten spannend sind, verdeutlichen Herausforderungen wie inkonsistente Datensätze, die Transparenz der Modelle und die Notwendigkeit weiterer Validierung, warum KI als Werkzeug zur Unterstützung und nicht als Ersatz für mikrobiologisches Fachwissen betrachtet werden sollte. Laborvalidierung, experimentelle Forschung und die Interpretation durch Experten bleiben unerlässlich, um sicherzustellen, dass die von KI generierten Erkenntnisse in Studien genau, zuverlässig und aussagekräftig sind, wenn sie auf mikrobiologische Untersuchungen angewendet werden.
Referenzen:
- Wang, XW, Wang, T, Liu, YY. Artificial Intelligence for Microbiology and Microbiome Research. Cell Systems. 2026 Feb;17(2).
- Huang, J, Zhu, X, Ma, Y, et al. Machine learning in the differential diagnosis of ulcerative colitis and Crohn’s disease: a systematic review. Transl Gastroenterol Hepatol. 2025 Jul; 10(56).
- Berry, SE, Valdes, AM, Drew, DA. Human Postprandial Responses to Food and Potential for Precision Nutrition. Nat Med. 2020 June;26(6).
- COPAN. PhenoMatrix. [Online]. Murrieta: Copan Diagnostics Inc; [Accessed 21 July 2026]. Available from: https://www.copanusa.com/laboratory-automation/microbiology-laboratory-automation-ai/phenomatrix/
- Ren, Y, Chakraborty, T, Doijad, S, et al. Prediction of antimicrobial resistance based on whole-genome sequencing and machine learning. Bioinformatics. 2022 Jan;38(2).
England