Dank fortgeschrittener RNA-Sequenzierungs-Technologie können heute Millionen einzelner Zellen gleichzeitig analysiert werden. So entstehen detaillierte Karten der Genaktivität als Grundlage für unser biologisches Verständnis des menschlichen Körpers und seiner Erkrankungen, und für die Entwicklung neuer Therapien. Doch die Auswertung dieser Daten ist komplex and erfordert ein tiefes biologisches Verständnis sowie die Fähigkeit, einfache Computerprogramme bzw. Skripte für die Datenanalyse zu schreiben.
Wäre es möglich, die Forschenden mit einem intelligenten AI-Assistenten auszustatten, mit dem sie in normaler Sprache über ihre Daten sprechen können, ohne Programmierkenntnisse? Das ist die Idee von CellWhisperer, einem AI-Werkzeug für die Analyse von RNA-Daten, das im Labor von Christoph Bock, Principal Investigator am CeMM Forschungszentrum für Molekulare Medizin der Österreichischen Akademie der Wissenschaften und Professor an der Medizinischen Universität Wien, entwickelt wurde.
CellWhisperer ist eine AI-Methode und Software, die die zellspezifische Gen-Aktivität mit beschreibendem Text für mehr als eine Millionen biologische Proben kombiniert und daraus die biologischen Grundlagen für eine Vielzahl von Zelltypen, Organen und Krankheiten lernt. Über ein Chat-Fenster können Nutzer:innen biologische Fragen zu ihren Daten stellen – ganz ähnlich, als wenn sie mit einem Bioinformatik-Kollegen sprechen würden. CellWhisperer ist Web-basiert und frei zugänglich: https://cellwhisperer.bocklab.org.
Von Genen zu Text – und zurück
Im Kern von CellWhisperer steckt ein multimodales Deep-Learning-Modell. Es wurde darauf trainiert, die Aktivitätsmuster von Genen mit ihren biologischen Funktionen zu verknüpfen. Die dafür verwendeten Informationen stammen aus öffentlich verfügbaren Datenbanken und wurden mit AI-Unterstützung aufbereitet. Auf dieser Basis kann CellWhisperer riesige RNA-Datensätze mit einfachen Textanfragen durchsuchen – zum Beispiel: “Show me immune cells from the inflamed colon of patients with autoimmune diseases”.
Dieses System umfasst auch ein Sprachmodell, das typische Gespräche zwischen Biologen und Bioinformatikern nachbildet. Das Ergebnis: Die Chats mit CellWhisperer fühlen sich an, als würde man mit einem fachkundigen Kollegen sprechen, der die RNA-Daten kennt und biologisches Wissen einbringt. Man kann zum Beispiel nach aktiven Genen in bestimmten Zelltypen und ihrer möglichen biologischen Bedeutung fragen.
„Durch das Training mit experimentellen Daten aus über 20.000 Studien hat CellWhisperer biologische Funktionen von Genen und Zellen gelernt“, erklärt Moritz Schäfer, Co-Erstautor der Studie, ehemaliger Postdoktorand in der Forschungsgruppe von Christoph Bock am CeMM und nun an der Stanford University tätig. „Damit lässt sich das Tool unmittelbar auf neue RNA-Daten anwenden – und macht es deren Analyse viel einfacher und spannender“.
AI als Partner in der biomedizinischen Forschung
Um das wissenschaftliche Potenzial von CellWhisperer zu testen, wurde es zur Analyse der menschlichen Embryonalentwicklung eingesetzt. Mit einfachen Suchanfragen wie „heart“ oder „brain“ identifizierte das Modell wesentliche Phasen, Zelltypen und Gene bei der Entstehung menschlicher Organe. Viele der identifizierten Gene stimmten mit bekannten Markern überein, während andere auf bisher übersehene Kandidaten hinwiesen.
„CellWhisperer erleichtert die biomedizinische Forschung. Es hilft mir zu verstehen, was in den Zellen vor sich geht, die ich untersuche“, sagt Peter Peneder, Co-Erstautor von der St. Anna Kinderkrebsforschung.
„Wissenschaft ist Teamarbeit, und mit CellWhisperer haben wir jetzt einen AI-basierten Forschungsassistenten in unserem Team. CellWhisperer hilft uns besonders dabei, einen ersten Eindruck von neuen Datensätzen zu gewinnen und herauszufinden, wo wir tiefer analysieren sollten. Diese AI unterstützt und stärkt uns als menschliche Wissenschaftler“, betont Christoph Bock.
CeMM Forschungszentrum für Molekulare Medizin der Österreichischen Akademie der Wissenschaften
Originalpublikation:
Schaefer, M., Peneder, P., Malzl, D. et al. Multimodal learning enables chat-based exploration of single-cell data. Nat Biotechnol (2025). doi.org/10.1038/s41587-025-02857-9
