Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind19. Mai 2026 · Q002756

Co-Scientist

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Auszug berichtet, dass Clare Bryant Co-Scientist nutzt, um Hypothesen zu möglichen molekularen Auslösern schwerer Erkrankungen zu entwickeln und auf bestimmte Aminosäuren einzugrenzen. Ihr Team testet diese Ziele noch; die erhoffte Verkürzung von zwei bis drei Jahren auf sechs Monate hängt laut Bryant davon ab, ob die Ziele stimmen.

Mittel

Der bereitgestellte Text ist ein Auszug über Professor Clare Bryant von der University of Cambridge und den Einsatz von Co-Scientist bei der Erforschung schwerer Erkrankungen, die laut Bericht mit dem Übergang von Krankheitserregern zwischen Tier und Mensch zusammenhängen können.

Bryant ließ das Tool zunächst mit einer Zusammenfassung ihres Forschungsantrags zu Grippe bei Vögeln und Menschen arbeiten. Es erzeugte und ordnete Hypothesen, darunter solche, die sie noch nicht erwogen hatte. Mit dem vollständigen Antrag priorisierte Co-Scientist ein Protein, das mit bereits interessierenden Signalwegen verbunden war. Bryant ergänzte anschließend unveröffentlichte Unterlagen, die laut Bericht innerhalb des Tools vertraulich blieben. Im Austausch wurden mögliche Ziele bis zu bestimmten Aminosäuren eingegrenzt. Ihr Team entwickelt Zelllinien mit entsprechenden Mutationen, um die Hypothesen zu testen.

Bryant zufolge hätte die Eingrenzung üblicherweise zwei bis drei Jahre experimenteller Arbeit beansprucht; ihr Team hoffe nun, in sechs Monaten so weit zu sein. Das hängt laut ihr davon ab, ob die richtigen Ziele gefunden wurden. Abgeschlossene Ergebnisse werden im Auszug nicht berichtet. Der Text beschreibt daher eine laufende Untersuchung und eine mögliche Zeitersparnis, keinen bestätigten Erfolg.

Ausführlich lesen

Der bereitgestellte Text ist ein Auszug aus einem Bericht über Professor Clare Bryant von der University of Cambridge und ihren Einsatz des KI-Tools Co-Scientist. Er befasst sich mit der Suche nach molekularen Schaltern, die laut Bericht dazu beitragen könnten, dass Krankheitserreger beim Übergang von Tieren auf Menschen schwere Erkrankungen wie Sepsis auslösen. Als Beispiele für solche Erreger nennt der Text Ebola, HIV, Grippe und Covid-19. Bryant wolle außerdem neue Ansätze finden, um solche Krankheitsverläufe zu verhindern.

Für einen ersten Versuch gab Bryant Co-Scientist eine Zusammenfassung eines Förderantrags zu Grippe bei Vögeln und Menschen sowie die Forschungsfragen ihres Labors. Das Tool erzeugte und ordnete mögliche Hypothesen. Einige hatte Bryant bereits erwogen; andere waren neu für sie und regten sie besonders zum Nachdenken an. Nachdem der Antrag bewilligt worden war, ließ sie das Tool mit dem vollständigen, ausführlichen Antrag weiterarbeiten. Dabei priorisierte es ein Protein, das Bryant zuvor nicht im Blick gehabt habe und das mit mehreren Signalwegen verknüpft sei, an denen ihr Team bereits interessiert war.

Anschließend ergänzte Bryant unveröffentlichte Unterlagen, die laut Bericht innerhalb von Co-Scientist vertraulich blieben. Im fortgesetzten Austausch seien die Hypothesen schrittweise präzisiert worden: von möglichen Proteinen bis hin zu bestimmten Aminosäuren, auf die sich Experimente richten könnten. Ihr Team baut dem Text zufolge Zelllinien mit entsprechenden Aminosäuremutationen auf, um die Hypothesen zu prüfen.

Bryant schätzt, dass die Identifizierung der konkreten Aminosäuren üblicherweise zwei bis drei Jahre experimenteller Arbeit erfordert hätte. Ihr Labor sei nun auf Kurs, dies in sechs Monaten zu erreichen – allerdings nur, wenn Co-Scientist tatsächlich zu den richtigen Zielen geführt habe. Der Bericht stellt Co-Scientist als Hilfe dar, die veröffentlichte Fachliteratur und Online-Ressourcen zusammenführt, beim Formulieren von Fragen unterstützt und Forschenden helfen soll, relevante Experimente zu priorisieren.

Die Aussagekraft ist begrenzt: Der Text schildert Bryants und ihres Teams Erfahrung und berichtet noch keine abgeschlossenen Versuchsergebnisse. Ob die ausgewählten Ziele stimmen und ob sich der erwartete Zeitgewinn bestätigt, bleibt ausdrücklich offen. Es liegt nur ein Auszug vor; weitere Inhalte des ursprünglichen Berichts sind hier nicht enthalten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →