OwkinZero: KI beschleunigt biologische Forschung durch gezieltes Lernen

In einer neuen Veröffentlichung auf arXiv (2508.16315v1) zeigen die Forscher von Owkin, dass große Sprachmodelle (LLMs) trotz ihrer rasanten Fortschritte noch Schwierigkeiten bei zentralen biologischen Denkaufgaben haben, die für die translationalen und biomedizinischen Entdeckungen entscheidend sind.

Um dieses Problem anzugehen, haben die Entwickler acht umfangreiche Benchmark‑Datensätze mit über 300.000 überprüfbaren Frage‑Antwort‑Paaren erstellt. Jeder Datensatz fokussiert sich auf kritische Herausforderungen der Wirkstoffforschung, wie die Druggability von Zielproteinen, die Eignung verschiedener Modalitäten und die Effekte von Wirkstoffperturbationen.

Auf Basis dieser Daten wurden die OwkinZero‑Modelle entwickelt, indem Open‑Source‑LLMs durch Reinforcement Learning from Verifiable Rewards (RL‑V) weitertrainiert wurden. Die Ergebnisse zeigen, dass spezialisierte Modelle mit 8 bis 32 Milliarden Parametern die größeren, kommerziellen LLMs bei den biologischen Benchmarks deutlich übertreffen.

Ein besonders interessanter Befund ist, dass Spezialisten, die nur auf einen einzelnen Aufgabenbereich trainiert wurden, ihre Basis‑Modelle bei zuvor nicht gesehenen Aufgaben übertreffen. Dieser Generalisierungseffekt wird bei den umfassenden OwkinZero‑Modellen noch stärker, die aus einer Mischung der Datensätze lernen und damit noch breitere Verbesserungen über verschiedene Aufgaben hinweg erzielen.

Die Studie markiert einen wichtigen Schritt, um die Lücken biologischer Denkfähigkeiten in aktuellen LLMs zu schließen. Sie demonstriert, dass gezieltes Reinforcement Learning auf sorgfältig kuratierten Daten spezialisierte Modelle mit übertragbarer Leistung hervorbringen kann, was die KI‑gestützte biologische Entdeckung erheblich beschleunigt.