In Kürze

  • Die Forschungsgruppe «Artificial Intelligence in Molecular Medicine» (AIMM) von Charlotte Bunne an der EPFL hat mit «Virtual Tissues» (VirTues) ein KI-Basismodell für die räumliche Proteomik entwickelt, das aus mikroskopischen Mehrfach-Markierungsbildern automatisch Proteine, Zellen, Zellnischen und Gewebestrukturen erkennt.
  • Grundlage ist eine neu entwickelte Transformer-Architektur mit einem eigenen Tokenisierungsschema, das räumliche Position und gemessene Proteinmarker gemeinsam verarbeitet – dadurch funktioniert das Modell auch dann, wenn verschiedene Studien unterschiedliche Proteinsätze gemessen haben, was bisherige Modelle vor grosse Probleme stellte.
  • Trainiert wurde VirTues mit dem nach Angaben der Forschungsgruppe grössten frei zugänglichen Datensatz für räumliche Proteomik: über 12'000 Bilder von mehr als 5000 Patientinnen und Patienten aus 31 klinischen Kohorten; ein einziges vortrainiertes Modell unterstützt danach Zelltypisierung, Gewebeeinteilung, die Suche nach Biomarkern und die Einordnung von Patientengruppen, auch für Datensätze und Proteinkombinationen, die im Training nie vorkamen.

Was ist passiert?

Die Forschungsgruppe «Artificial Intelligence in Molecular Medicine» (AIMM) unter der Leitung von Charlotte Bunne an der EPFL hat am 5. August 2026 in der Fachzeitschrift «Nature» ein neues KI-Basismodell namens «Virtual Tissues» (VirTues) vorgestellt. Das Modell ist auf die Auswertung räumlicher Proteomik-Daten spezialisiert – Bildaufnahmen, die mit Mehrfach-Markierungsverfahren gleichzeitig zahlreiche Proteine in einer Gewebeprobe sichtbar machen und so Rückschlüsse auf Zelltypen, Zellnischen und deren räumliche Anordnung im Gewebe erlauben. Kern der Arbeit ist eine eigens entwickelte Transformer-Architektur mit einem neuartigen Tokenisierungsschema, das sowohl die räumliche Position als auch die gemessenen Proteinmarker gemeinsam verarbeitet, sowie Aufmerksamkeitsmechanismen, die auch bei hochdimensionalen Mehrfachmarkierungs-Daten interpretierbar bleiben sollen.

Für das Training stellte das Team den nach eigenen Angaben grössten frei zugänglichen Datensatz für räumliche Proteomik zusammen: über 12'000 Bilder von mehr als 5000 Patientinnen und Patienten aus 31 klinischen Kohorten, gemessen mit unterschiedlichen Verfahren und Proteinkombinationen. Weil frühere Modelle meist nur mit einem festen Satz gemessener Proteine umgehen konnten, war es bislang schwierig, Daten aus verschiedenen Studien überhaupt gemeinsam auszuwerten. VirTues löst dieses Problem und unterstützt aus einem einzigen vortrainierten Modell heraus mehrere Aufgaben: die Rekonstruktion von Markerdaten, die Segmentierung und Typisierung von Zellen, die Einteilung von Gewebenischen, die Suche nach räumlichen Biomarkern sowie die Einordnung von Patientinnen und Patienten in Gruppen – auch für Proteinkombinationen und Datensätze, die im Training nie vorkamen.

Warum ist das wichtig?

Räumliche Proteomik gilt in der Krebsforschung als vielversprechendes, aber technisch aufwendiges Verfahren, weil sich Tumore je nach Krebsart und sogar innerhalb eines einzelnen Tumors stark unterscheiden können. Bisherige KI-Modelle mussten meist für jede Krebsart und jedes Messverfahren separat trainiert werden, was den Aufbau grosser, vergleichbarer Datensätze erschwerte. Ein Basismodell wie VirTues, das über verschiedene Krebsarten, Studien und Messverfahren hinweg funktioniert, könnte diese Fragmentierung verringern und es Forschungsgruppen weltweit erlauben, auf einer gemeinsamen Grundlage aufzubauen, statt eigene Modelle von Grund auf zu trainieren.

Klinisch relevant ist vor allem die Fähigkeit zur «Zero-Shot»-Einordnung neuer, im Training nicht gesehener Datensätze: Ein Modell, das auch mit unbekannten Proteinkombinationen umgehen kann, liesse sich potenziell in Spitälern einsetzen, die andere Messgeräte oder Markerpanels verwenden als die ursprünglichen Trainingsdaten – eine wichtige Voraussetzung dafür, dass ein Forschungsmodell später breiter in der klinischen Diagnostik nutzbar wird, etwa zur automatisierten Voreinschätzung von Gewebeproben oder zur Identifikation neuer Biomarker für die Behandlungsplanung.

Was bedeutet das für die Schweiz?

  • VirTues ist ein direkter Beleg dafür, dass Schweizer Hochschulen bei KI-Grundlagenmodellen für die Präzisionsonkologie nicht nur mitforschen, sondern mit eigenständigen Architekturbeiträgen international mitbestimmen – ein Pluspunkt für den Forschungsstandort EPFL neben bereits bekannten Projekten wie Apertus oder Meditron.
  • Für Schweizer Universitätsspitäler wie das CHUV, die HUG oder das USZ könnte ein derart breit einsetzbares Modell die Auswertung von Gewebeproben über verschiedene Krebsarten hinweg beschleunigen; bis ein Forschungsmodell wie VirTues tatsächlich in der klinischen Diagnostik eingesetzt werden darf, braucht es jedoch weitere Validierung und eine Zulassung durch Swissmedic beziehungsweise die zuständigen Stellen für Medizinprodukte.
  • Der offene Datensatz und das veröffentlichte Modell erleichtern es auch kleineren Schweizer Forschungsgruppen und Spin-offs, auf einer gemeinsamen Grundlage aufzubauen, statt eigene, kostspielige Trainingsdaten für jede einzelne Krebsart neu zusammenzustellen – eine Chance für den akademischen Technologietransfer, sofern die Ergebnisse auch kommerziell in der Schweiz weiterentwickelt werden.

Verwendete Quellen

Die Studie erschien am 5. August 2026 in «Nature»; medicalxpress.com, Mirage News und Netzwoche berichteten ab dem 11. August 2026 zusätzlich über die Ergebnisse und deren klinische Bedeutung.

Häufige Fragen

Was ist die Kernaussage zu EPFL-Forschende stellen mit «VirTues» ein KI-Modell vor, das Tumorgewebe über Krebsarten hinweg analysiert?

Die Forschungsgruppe «Artificial Intelligence in Molecular Medicine» (AIMM) von Charlotte Bunne an der EPFL hat mit «Virtual Tissues» (VirTues) ein KI-Basismodell für die räumliche Proteomik entwickelt, das aus mikroskopischen Mehrfach-Markierungsbildern automatisch Proteine, Zellen, Zellnischen und Gewebestrukturen erkennt.

Warum ist diese KI-Meldung für die Schweiz relevant?

VirTues ist ein direkter Beleg dafür, dass Schweizer Hochschulen bei KI-Grundlagenmodellen für die Präzisionsonkologie nicht nur mitforschen, sondern mit eigenständigen Architekturbeiträgen international mitbestimmen – ein Pluspunkt für den Forschungsstandort EPFL neben bereits bekannten Projekten wie Apertus oder Meditron.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

Die Studie erschien am 5. August 2026 in «Nature»; medicalxpress.com, Mirage News und Netzwoche berichteten ab dem 11. August 2026 zusätzlich über die Ergebnisse und deren klinische Bedeutung.