Radical Numerics meldet ersten Einsatz KI-designter Phagen bei einem Menschen

Ein KI-Labor meldet den ersten Einsatz KI-designter Phagen bei einem Menschen. Eine Heilung resistenter Infektionen belegt dieser Einzelfall jedoch nicht, denn einen klinischen Verlauf veröffentlicht das Unternehmen nicht. Die Frage, ob KI resistente Infektionen nun heilen kann, lässt sich auf dieser Grundlage nicht bejahen.

Grundlage ist ein Blogbeitrag von Radical Numerics vom 20. Oktober 2026 zum Modell „Omnii-1“. Es handelt sich um einen Forschungs- und Einzelfallbericht eines Unternehmens: kein zugelassenes Produkt, keine klinische Studie, keine Behandlungsempfehlung. Phagen, genauer Bakteriophagen, sind Viren, die ausschließlich Bakterien befallen. Lytische Phagen vermehren sich in der Bakterienzelle und lassen sie schließlich platzen. Weil jeder Phage nur bestimmte Bakterienstämme erkennt, muss für eine Therapie passend ausgewählt werden. Genau hier setzt das Unternehmen mit seiner KI an. Alle Laborzahlen in diesem Text sind Angaben von Radical Numerics und wurden nicht unabhängig überprüft.

Der Patientenfall und was er nicht belegt

Radical Numerics formuliert den Anspruch selbstbewusst: „In the world’s first clinical use of AI-generated phages, Omnii-1 designs were administered to a human patient under compassionate use“. Übersetzt: Im weltweit ersten klinischen Einsatz KI-generierter Phagen seien Omnii-1-Designs einer Patientin oder einem Patienten im Rahmen eines Compassionate Use verabreicht worden. Das Unternehmen spricht von einem „milestone toward personalized, AI-designed therapies for antibiotic-resistant infections“, also einem Meilenstein auf dem Weg zu personalisierten, KI-gestalteten Therapien.

Compassionate Use, auf Deutsch etwa „Härtefallanwendung“, bezeichnet den Einsatz eines noch nicht zugelassenen Mittels bei schwer erkrankten Personen, für die es keine ausreichende Alternative gibt. Laut Radical Numerics lief der Einsatz über einen „authorized, physician-led compassionate-use pathway“, also einen genehmigten, ärztlich geleiteten Weg. Es ist ein Einzelfall bei einer Person. Dieser Rahmen erlaubt Behandlung unter Ausnahmebedingungen, er liefert keine kontrollierten Daten.

Der Ablauf beginnt laut Unternehmen mit einer Probe: „Developing a personalized phage therapy begins with a bacterial isolate: a sample of the bacteria causing a patient’s infection.“ Gegen dieses Isolat der behandelten Person wurde getestet. Im Labor (in vitro), also im Reagenzglas und nicht im Körper, eliminierten die Phagen laut Radical Numerics das antibiotikaresistente Isolat. Welcher Erreger die Infektion verursachte, nennen weder das Unternehmen noch die Berichterstattung. Auch dazu, wie die Person den Cocktail vertrug, gibt es keine Information.

Denn ein klinischer Verlauf fehlt. Das Unternehmen schreibt: „While we cannot disclose the patient’s clinical course or outcomes to safeguard their privacy, this milestone marks an early step toward translating AI-guided genome design into personalized therapies.“ Der Datenschutz ist ein nachvollziehbarer Grund. Die Folge ist dennoch eindeutig: Ob die Infektion zurückging, ob Nebenwirkungen auftraten oder ob weitere Behandlungen nötig waren, lässt sich nicht prüfen. Ein Laborbefund am Isolat ersetzt keine Aussage über die Wirkung im Körper, wo Immunsystem, Gewebe und Begleittherapien mitspielen.

Bemerkenswert ist die Selbstbeschränkung: „These investigational therapies have not been approved by regulatory bodies for broader clinical use, and observations from a single patient cannot establish general safety or efficacy.“ Die Therapien seien also von keiner Aufsichtsstelle für eine breitere Anwendung zugelassen, und die Beobachtung an einer einzelnen Person könne weder allgemeine Sicherheit noch Wirksamkeit belegen. Dem ist wenig hinzuzufügen, außer dass es als Maßstab für jede Schlagzeile zum Thema taugt.

Das Fachmedium The Register fasst die Lage knapp. Es schreibt, das Unternehmen behaupte, es sei das erste Mal, dass ein Cocktail mit KI-designten Bakteriophagen im Rahmen einer Härtefallregelung einem Menschen verabreicht wurde. Zugleich heißt es dort sinngemäß, man solle nicht nach Ergebnissen drängen, denn man sei noch nicht so weit zu sagen, wie es ausging. Zudem hält The Register fest: „Radical Numerics didn’t respond to questions for this story.“ Das Unternehmen beantwortete Fragen also nicht. Auffällig ist außerdem: Die Forschungsbeschreibung erwähnt Tests zur Vorhersage, welche Phagen Pseudomonas aeruginosa infizieren könnten, ohne darauf hinzuweisen, dass die behandelte Person daran erkrankt war. Eine Verbindung zwischen beidem ist damit nicht belegt.

Wie das Modell Phagen entwirft

Omnii-1 ist ein KI-Modell für Genomsequenzen. Solche Modelle lernen aus großen Mengen genetischer Daten, welche Veränderungen welche Funktion erwarten lassen; ein verwandtes Beispiel aus der Humangenetik ist AlphaGenome. Hier geht es um Virengenome statt um menschliche.

Der Ansatz von Radical Numerics ist vergleichsweise bescheiden gedacht. Das Unternehmen schreibt, KI-gestützte Phagenvarianten erforderten nicht den Entwurf eines ganz neuen Genoms: „Instead, we can modify selected regions involved in particular biological functions.“ Es werden also ausgewählte Genomregionen angepasst, die an bestimmten biologischen Funktionen beteiligt sind, etwa daran, welche Bakterien ein Phage erkennt. Der Rest des Erbguts bleibt, wie ihn die Natur eingespielt hat. Das senkt das Risiko, dass ein Entwurf schlicht nicht funktioniert.

Als Anschauungsbeispiel dient dem Unternehmen der Phage T7. Wichtig: T7 dient laut Blog nur der Illustration. Radical Numerics schreibt: „Among the phages we have engineered with Omnii-1 is T7, a well-characterized E. coli phage that we use here to illustrate our approach to genome design.“ T7 hat ein Genom von etwa 40 Kilobasen. Das ist ein gut erforschter Modellphage, der E. coli befällt.

Die berichteten Laborzahlen zeigen, wie die Treffsicherheit gemessen wurde. „Recovery“ bedeutet, dass aus dem entworfenen Erbgut tatsächlich funktionsfähige Phagen gewonnen werden konnten. Radical Numerics gibt an: „At 11–15 amino acid changes, 69.9% of designed variants were recovered, compared with 4.8% of random controls.“ Bei Änderungen von 11 bis 15 Aminosäuren ließen sich also 69,9 Prozent der KI-Entwürfe gewinnen, bei zufälligen Kontrollen nur 4,8 Prozent. Aminosäuren sind die Bausteine der Proteine; jede Änderung verändert ein Protein des Phagen ein Stück. Zufällige Änderungen zerstören die Funktion meist, gezielte nur selten. Der Abstand zwischen beiden Werten ist das eigentliche Argument für das Modell.

Weiter heißt es: „Of 6,694 variants with measurable activity, 2,161 exceeded wild type, including variants with up to 28 amino acid changes.“ Von 6.694 Varianten mit messbarer Aktivität übertrafen also 2.161 den Wildtyp, die natürliche Ausgangsform, teils mit bis zu 28 Aminosäureänderungen. Etwa jede dritte aktive Variante war demnach besser als das Original. Das ist ein Hinweis auf Optimierungspotenzial, gemessen an einer Aktivitätsgröße im Labor, nicht an einem Behandlungserfolg.

Für zwei Bakterienstämme gibt das Unternehmen an, Omnii-1 habe aktivere Entwürfe bevorzugt: „with 97 and 96 of its top 100 candidates, respectively, exceeding the activity threshold.“ Von den jeweils 100 bestplatzierten Kandidaten lagen 97 beziehungsweise 96 über der Aktivitätsschwelle. Beim dritten Stamm war die Lage schwieriger: Nur 4,5 Prozent der geprüften Varianten überschritten die Schwelle, unter den Top-100 des Modells waren es 24 Prozent, „more than five times the proportion in the full library“. Das Modell reichert also brauchbare Kandidaten an, trifft aber längst nicht immer. Auch das gehört zur ehrlichen Lesart: Selbst 24 Prozent bedeuten, dass drei Viertel der Spitzenkandidaten die Schwelle verfehlten.

Labortests zur Treffsicherheit

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2PromptFemale researcher in lab coat and gloves examining petri dishes with bacterial cultures under bright lab light, shallow depth of field. Photorealistic editorial magazine photo, 16:9. Absolutely no text, no letters, no numbers, no logos, no brand marks.

Eine personalisierte Therapie braucht nicht nur Phagen, sondern die richtigen. Deshalb prüft Radical Numerics, ob Omnii-1 vorhersagen kann, welcher Phage welchen Bakterienstamm befällt. Ein Modell, das nur bekannte Stämme kennt, wäre für neue Patientinnen und Patienten wenig wert, denn deren Erreger sind oft unbekannte Varianten.

Dafür wählte das Unternehmen einen strengeren Test. Es schreibt: „We therefore tested generalization to more distantly related hosts by holding out an entire E. coli clade comprising 37 strains.“ Eine Klade ist eine Gruppe von Stämmen mit gemeinsamer Abstammung. Diese Gruppe von 37 Stämmen wurde dem Modell beim Training vorenthalten (Held-out, zurückgehalten). Gelingt die Vorhersage dennoch, spricht das für echte Verallgemeinerung statt Auswendiglernen. Verglichen wurde mit zwei spezialisierten Arbeitsabläufen. Laut Radical Numerics hielt Omnii-1 über die fünf Top-Empfehlungen höhere Trefferquoten aktiver Phagen und erreichte „91.4% of eligible strains with just two phages“. Mit nur zwei Phagen wurden demnach 91,4 Prozent der geeigneten Stämme abgedeckt. „Geeignet“ meint Stämme, für die im Datensatz überhaupt ein wirksamer Phage existiert; eine Aussage über beliebige Bakterien ist das nicht.

Beim zweiten Erreger, Pseudomonas aeruginosa, kommt die Average Precision (AP) ins Spiel. AP ist ein Rangmaß. Es bewertet, wie weit vorn die tatsächlich passenden Phagen in der Rangliste des Modells stehen: Ein Wert von 1 hieße, alle richtigen Treffer stehen ganz oben, niedrige Werte bedeuten, dass sie zwischen falschen untergehen. Laut Unternehmen verbesserte sich Omnii-1 so: „Adding E. coli interactions, without additional P. aeruginosa measurements, further improved Omnii-1’s performance, increasing its AP from 0.570 to 0.608 and surpassing GenoPHI (0.581).“ Zusätzliche Daten zu E. coli hoben den Wert also von 0,570 auf 0,608, ohne neue Messungen an P. aeruginosa; das Vergleichsverfahren GenoPHI kam auf 0,581. Der Vorsprung vor GenoPHI beträgt 0,027 Punkte, ein überschaubarer Abstand, dessen Bedeutung ohne Angaben zur Streuung offenbleibt. Dass Wissen aus einer Bakterienart einer anderen nützt, ist dagegen ein methodisch interessanter Befund.

Entscheidend ist die Art dieser Tests. Sie sind In-silico-Prüfungen (am Rechner gegen vorhandene Datensätze) und In-vitro-Experimente (im Labor), keine Patientendaten. Sie sagen etwas darüber, wie gut ein Modell Wechselwirkungen zwischen Phagen und Bakterien einschätzt, nicht darüber, ob eine Infektion im Körper abheilt. Dort entscheiden Dosis, Infektionsort, Immunreaktion und die Frage, ob Bakterien Resistenzen gegen den Phagen entwickeln. Bei Zahlen aus der Selbstauskunft eines Unternehmens ohne externe Begutachtung lohnt ohnehin Vorsicht; wie man solche Belege einordnet, zeigt ein Blick auf die Belegtiefe in einem ganz anderen Forschungsfeld. Der Blog ist weder als begutachtet noch als Vorabveröffentlichung ausgewiesen, er bleibt ein Forschungsbericht des Unternehmens.

Der Druck durch Antibiotikaresistenz

Der Hintergrund erklärt, warum solche Meldungen Aufmerksamkeit bekommen. Radical Numerics verweist auf Schätzungen: „In 2021, antibiotic resistance was associated with an estimated 4.7 million deaths worldwide.“ Im Jahr 2021 waren demnach geschätzt 4,7 Millionen Todesfälle weltweit mit Antibiotikaresistenz verbunden. Wichtig ist das Wort „associated“: Resistenz war beteiligt oder damit verknüpft, sie war nicht in jedem Fall die alleinige Todesursache. Für die Zukunft heißt es: „Between 2025 and 2050, deaths attributable to antibiotic resistance are projected to total nearly 40 million.“ Zwischen 2025 und 2050 sollen laut Projektion knapp 40 Millionen Todesfälle auf Resistenz zurückzuführen sein. Beide Werte sind Schätzungen und Modellrechnungen.

Resistenz entsteht, wenn Bakterien Mechanismen entwickeln, die Antibiotika unwirksam machen. Je häufiger solche Mittel eingesetzt werden, desto größer der Selektionsdruck zugunsten widerstandsfähiger Stämme. Bleibt am Ende kein wirksames Antibiotikum übrig, fehlen Ärztinnen und Ärzten Optionen, auch bei Infektionen, die früher als beherrschbar galten.

Phagentherapie gilt als Option, weil Phagen nach einem anderen Prinzip arbeiten als Antibiotika. Sie erkennen ihre Wirtsbakterien über Oberflächenstrukturen und vermehren sich dort, wo Bakterien vorhanden sind. Ein Antibiotikaresistenzgen schützt ein Bakterium nicht automatisch vor einem Phagen, weshalb sich beide Ansätze grundsätzlich unterscheiden. Der Haken liegt in der Spezifität: Ein Phage passt meist nur zu wenigen Stämmen. Deshalb beginnt die Therapie laut Radical Numerics beim Isolat der erkrankten Person, und deshalb setzt das Unternehmen auf ein Modell, das schnell passende Kandidaten vorschlägt oder anpasst. Ob das den Aufwand tatsächlich senkt, zeigt der Blogbeitrag nicht; Zeit- oder Kostenangaben fehlen.

Daraus folgt, woran die nächste Meldung zu messen wäre. dm-Einordnung: Belastbar würde das Feld erst durch begutachtete, veröffentlichte Daten, die einen klinischen Verlauf offenlegen, und durch klinische Studien mit mehreren behandelten Personen, definierten Endpunkten und Vergleichsgruppen. Erst dann ließe sich beurteilen, ob KI-designte Phagen sicher sind, ob sie Infektionen zurückdrängen und ob sie besser abschneiden als natürlich vorkommende Phagen oder bestehende Therapien. Der jetzige Fall ist eine Ankündigung mit Laborzahlen des Unternehmens, nicht mehr, aber als erster dokumentierter Einsatz ein Anlass, genau dort nachzufragen.