Foundation Models
Bei Helmholtz Munich setzen wir Foundation Models – fortschrittliche Systeme der Künstlichen Intelligenz (KI) – ein, um die Gesundheitsforschung und medizinische Versorgung gezielt zu verbessern. Diese Modelle analysieren enorme Datenmengen, erkennen Muster und unterstützen so dabei, Krankheiten früher zu diagnostizieren, Therapien zu personalisieren und die medizinische Versorgung insgesamt zu optimieren. Indem genetische, umweltbedingte und medizinische Informationen zusammengeführt werden, ermöglichen Basismodelle tiefere Einblicke in die Entstehung von Krankheiten und eröffnen neue Wege für eine wirksamere Behandlung. Unser Ziel ist es, diese Technologien gezielt zu nutzen, um Prävention, Therapie und das allgemeine Wohlbefinden nachhaltig zu fördern.
Bei Helmholtz Munich setzen wir Foundation Models – fortschrittliche Systeme der Künstlichen Intelligenz (KI) – ein, um die Gesundheitsforschung und medizinische Versorgung gezielt zu verbessern. Diese Modelle analysieren enorme Datenmengen, erkennen Muster und unterstützen so dabei, Krankheiten früher zu diagnostizieren, Therapien zu personalisieren und die medizinische Versorgung insgesamt zu optimieren. Indem genetische, umweltbedingte und medizinische Informationen zusammengeführt werden, ermöglichen Basismodelle tiefere Einblicke in die Entstehung von Krankheiten und eröffnen neue Wege für eine wirksamere Behandlung. Unser Ziel ist es, diese Technologien gezielt zu nutzen, um Prävention, Therapie und das allgemeine Wohlbefinden nachhaltig zu fördern.
Was sind Foundation Models?
Foundation Models sind fortschrittliche KI-Systeme, die auf riesigen Datenmengen trainiert werden, um eine Vielzahl von Aufgaben zu bewältigen. Im Gegensatz zu herkömmlichen KI-Modellen, die für spezifische Anwendungen entwickelt werden, lernen Foundation Models allgemeine Muster aus unterschiedlichsten Datenquellen und lassen sich flexibel für verschiedene Einsatzbereiche anpassen – etwa in der Sprachverarbeitung, der Bilderkennung oder der wissenschaftlichen Forschung.
In Wissenschaft und Gesundheitswesen unterstützen Foundation Models die Analyse komplexer biologischer, medizinischer und umweltbezogener Daten. Sie können Krankheitsmuster erkennen, Behandlungen personalisieren und Entdeckungen in Bereichen wie Medikamentenentwicklung oder Genetik beschleunigen.
Dank ihrer Fähigkeit, große Datenmengen effizient zu verarbeiten, sind sie ein leistungsstarkes Werkzeug zur Förderung von Forschung und zur Verbesserung von Entscheidungsprozessen in vielen Disziplinen.
Foundation Models nutzen komplexe biologische Daten für gezieltere, personalisierte Therapien.
Hot Topics
Stell dir vor, du hättest eine Karte von jedem Zelltyp im menschlichen Körper – wie er aussieht, welche Funktionen er erfüllt und wie er sich bei Krankheiten verändert. Das ist das Ziel eines „Zellatlas“. Forscher:innen bei Helmholtz Munich sind Pioniere auf diesem Gebiet. Sie treiben den Einsatz von Foundation Models voran, um Millionen von Einzelzell-Datensätzen zu analysieren. Diese KI-Modelle erkennen Muster, sagen voraus, wie sich Zellen verhalten, und decken sogar versteckte Zusammenhänge zwischen Genen auf.
Warum ist das wichtig? Diese Forschung könnte es ermöglichen, Krankheiten früher zu verstehen, neue Behandlungsmöglichkeiten zu entwickeln und sogar Medizin individuell auf den zellulären Fingerabdruck einer Person abzustimmen.
Lies mehr über die Forschung von Fabian Theis: Eine Reise in die Geheimnisse unserer Zellen
Foundation Models sind leistungsstarke KI-Systeme, die mit riesigen Datenmengen trainiert werden. Doch mit großer Leistung kommt auch große Verantwortung. Wie können wir sicherstellen, dass diese Modelle fair sind, die Privatsphäre wahren und Vorurteile vermeiden? Unsere Forscher:innen arbeiten daran, zu verstehen, wie diese Modelle Entscheidungen treffen – und wie man diese Entscheidungen transparenter, erklärbarer und ethischer gestalten kann.
Warum ist das wichtig? Da KI-Systeme in Bereichen wie Gesundheitswesen, Bildung und öffentlicher Politik eingesetzt werden, wird der ethische Umgang damit zur obersten Priorität. Wir müssen sicherstellen, dass KI auf eine Weise entwickelt und genutzt wird, die allen zugutekommt.
Lies das Interview mit Julia Schnabel: FUTURE of AI: Engagement für vertrauenswürdige KI im Gesundheitswesen
Lies die Meldung über FUTURE-AI: Internationale Experten entwickeln FUTURE-AI-Richtlinien für vertrauenswürdige KI im Gesundheitswesen
Lies das Interview mit Marcel Binz: Ethische und praktische Auswirkungen großer Sprachmodelle in der Wisse
Lies die Feature Publication: Bias im maschinellen Lernen überwinden für eine gerechte Gesundheitsversorgung
Forschende bei Helmholtz Munich untersuchen, wie Foundation Models uns dabei helfen können, menschliches Lernen und Entscheidungsfindung besser zu verstehen. Durch die Kombination von Verhaltensdaten, Sprache und visuellen Informationen zielt ihre Forschung darauf ab, zu modellieren, wie Menschen urteilen, aus Feedback lernen und in komplexen Umfeldern Entscheidungen treffen.
Warum ist das wichtig? Diese Erkenntnisse können die Entwicklung von KI-Systemen unterstützen, die natürlicher mit Menschen interagieren – sei es in der Bildung, der psychischen Gesundheit oder in personalisierten Entscheidungshilfen.
Lies das Interview mit Eric Schulz: Interview mit Dr. Eric Schulz
Lies das Interview mit Zeynep Akata: Interview Prof. Zeynep Akata: Grenzen mit KI erweitern
Bei Helmholtz Munich entwickeln Forschende Foundation Models, die digitale Gewebebilder mit außergewöhnlicher Genauigkeit analysieren können. Diese KI-Tools, die auf Tausende histopathologischer Präparate trainiert wurden, unterstützen Patholog:innen dabei, Krebs, Entzündungen und andere Veränderungen schneller und präziser zu erkennen.
Warum ist das wichtig? Anstatt Ärzt:innen zu ersetzen, unterstützt diese Technologie sie – sie beschleunigt Diagnosen, verringert Fehler und sorgt dafür, dass Expertenanalysen selbst in unterversorgten Regionen verfügbar sind.
Lies die Meldung über die Forschung von Carsten Marr: ERC PoC Grants für Carsten Marr und Janna Nawroth
Lies die Featured Publication über die Forschung von Tingying Peng: KI-Modell verbessert Geschwindigkeit und Genauigkeit in der medizinischen Diagnostik
Lies das Interview mit Valentin Koch & Sophia Wagner: DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology
Bei Helmholtz Munich nutzen Forschende Foundation Models, um die Arzneimittelforschung zu beschleunigen. Durch die Analyse chemischer Strukturen und biologischer Daten können diese KI-Systeme vorhersagen, welche Moleküle zu effektiven Medikamenten werden könnten.
Warum ist das wichtig? KI hilft Wissenschaftler:innen, vielversprechende Arzneimittelkandidaten schneller zu identifizieren, wodurch die Zeit und die Kosten für die Entwicklung lebensrettender Behandlungen reduziert werden.
Lies die Meldung über die Forschung von Ewa Szczurek: Antimikrobielle Peptide der nächsten Generation
Lies das Interview mit Roberto Olayo Alarcon: MolE: Pre-trained molecular representations enable antimicrobial discovery
Forschende bei Helmholtz Munich nutzen Foundation Models, um komplexe genetische Daten zu analysieren. Durch das Entschlüsseln von Mustern in der DNA helfen diese KI-Modelle dabei, genetische Mutationen zu identifizieren, Krankheitsmechanismen zu verstehen und individuelle Gesundheitsrisiken vorherzusagen.
Warum ist das wichtig? Dieser Ansatz in der genetischen Diagnostik kann zu früheren, genaueren Diagnosen führen und den Weg für präzisionsmedizinische Behandlungen ebnen.
Lies die Meldung über die Forschung von Julien Gagneur: Bessere Suche nach Ursache für Erbkrankheiten
Lies die Meldung über die Forschung von Annalisa Marsico: Mehr als die Summe der Mutationen: 165 neue Krebsgene mit Hilfe maschinellen Lernens identifiziert
Stell dir vor, du hättest eine Karte von jedem Zelltyp im menschlichen Körper – wie er aussieht, welche Funktionen er erfüllt und wie er sich bei Krankheiten verändert. Das ist das Ziel eines „Zellatlas“. Forscher:innen bei Helmholtz Munich sind Pioniere auf diesem Gebiet. Sie treiben den Einsatz von Foundation Models voran, um Millionen von Einzelzell-Datensätzen zu analysieren. Diese KI-Modelle erkennen Muster, sagen voraus, wie sich Zellen verhalten, und decken sogar versteckte Zusammenhänge zwischen Genen auf.
Warum ist das wichtig? Diese Forschung könnte es ermöglichen, Krankheiten früher zu verstehen, neue Behandlungsmöglichkeiten zu entwickeln und sogar Medizin individuell auf den zellulären Fingerabdruck einer Person abzustimmen.
Lies mehr über die Forschung von Fabian Theis: Eine Reise in die Geheimnisse unserer Zellen
Foundation Models sind leistungsstarke KI-Systeme, die mit riesigen Datenmengen trainiert werden. Doch mit großer Leistung kommt auch große Verantwortung. Wie können wir sicherstellen, dass diese Modelle fair sind, die Privatsphäre wahren und Vorurteile vermeiden? Unsere Forscher:innen arbeiten daran, zu verstehen, wie diese Modelle Entscheidungen treffen – und wie man diese Entscheidungen transparenter, erklärbarer und ethischer gestalten kann.
Warum ist das wichtig? Da KI-Systeme in Bereichen wie Gesundheitswesen, Bildung und öffentlicher Politik eingesetzt werden, wird der ethische Umgang damit zur obersten Priorität. Wir müssen sicherstellen, dass KI auf eine Weise entwickelt und genutzt wird, die allen zugutekommt.
Lies das Interview mit Julia Schnabel: FUTURE of AI: Engagement für vertrauenswürdige KI im Gesundheitswesen
Lies die Meldung über FUTURE-AI: Internationale Experten entwickeln FUTURE-AI-Richtlinien für vertrauenswürdige KI im Gesundheitswesen
Lies das Interview mit Marcel Binz: Ethische und praktische Auswirkungen großer Sprachmodelle in der Wisse
Lies die Feature Publication: Bias im maschinellen Lernen überwinden für eine gerechte Gesundheitsversorgung
Forschende bei Helmholtz Munich untersuchen, wie Foundation Models uns dabei helfen können, menschliches Lernen und Entscheidungsfindung besser zu verstehen. Durch die Kombination von Verhaltensdaten, Sprache und visuellen Informationen zielt ihre Forschung darauf ab, zu modellieren, wie Menschen urteilen, aus Feedback lernen und in komplexen Umfeldern Entscheidungen treffen.
Warum ist das wichtig? Diese Erkenntnisse können die Entwicklung von KI-Systemen unterstützen, die natürlicher mit Menschen interagieren – sei es in der Bildung, der psychischen Gesundheit oder in personalisierten Entscheidungshilfen.
Lies das Interview mit Eric Schulz: Interview mit Dr. Eric Schulz
Lies das Interview mit Zeynep Akata: Interview Prof. Zeynep Akata: Grenzen mit KI erweitern
Bei Helmholtz Munich entwickeln Forschende Foundation Models, die digitale Gewebebilder mit außergewöhnlicher Genauigkeit analysieren können. Diese KI-Tools, die auf Tausende histopathologischer Präparate trainiert wurden, unterstützen Patholog:innen dabei, Krebs, Entzündungen und andere Veränderungen schneller und präziser zu erkennen.
Warum ist das wichtig? Anstatt Ärzt:innen zu ersetzen, unterstützt diese Technologie sie – sie beschleunigt Diagnosen, verringert Fehler und sorgt dafür, dass Expertenanalysen selbst in unterversorgten Regionen verfügbar sind.
Lies die Meldung über die Forschung von Carsten Marr: ERC PoC Grants für Carsten Marr und Janna Nawroth
Lies die Featured Publication über die Forschung von Tingying Peng: KI-Modell verbessert Geschwindigkeit und Genauigkeit in der medizinischen Diagnostik
Lies das Interview mit Valentin Koch & Sophia Wagner: DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology
Bei Helmholtz Munich nutzen Forschende Foundation Models, um die Arzneimittelforschung zu beschleunigen. Durch die Analyse chemischer Strukturen und biologischer Daten können diese KI-Systeme vorhersagen, welche Moleküle zu effektiven Medikamenten werden könnten.
Warum ist das wichtig? KI hilft Wissenschaftler:innen, vielversprechende Arzneimittelkandidaten schneller zu identifizieren, wodurch die Zeit und die Kosten für die Entwicklung lebensrettender Behandlungen reduziert werden.
Lies die Meldung über die Forschung von Ewa Szczurek: Antimikrobielle Peptide der nächsten Generation
Lies das Interview mit Roberto Olayo Alarcon: MolE: Pre-trained molecular representations enable antimicrobial discovery
Forschende bei Helmholtz Munich nutzen Foundation Models, um komplexe genetische Daten zu analysieren. Durch das Entschlüsseln von Mustern in der DNA helfen diese KI-Modelle dabei, genetische Mutationen zu identifizieren, Krankheitsmechanismen zu verstehen und individuelle Gesundheitsrisiken vorherzusagen.
Warum ist das wichtig? Dieser Ansatz in der genetischen Diagnostik kann zu früheren, genaueren Diagnosen führen und den Weg für präzisionsmedizinische Behandlungen ebnen.
Lies die Meldung über die Forschung von Julien Gagneur: Bessere Suche nach Ursache für Erbkrankheiten
Lies die Meldung über die Forschung von Annalisa Marsico: Mehr als die Summe der Mutationen: 165 neue Krebsgene mit Hilfe maschinellen Lernens identifiziert
Luca M. Schulze Buschoff, Elif Akata, Matthias Bethge & Eric Schulz. 2025
Visual cognition in multimodal large language models. Nature Machine Intelligence
Mohammad Lotfollahi, Yuhan Hao, Fabian J. Theis, Rahul Satija. 2024
The future of rapid and automated single-cell data analysis using reference mapping. Cell
Anna C. Schaar, Alejandro Tejada-Lapuerta, Giovanni Palla, Robert Gutgesell, Lennard Halle, Mariia Minaeva, Larsen Vornholz, Leander Dony, Francesca Drummer, Mojtaba Bahrami, Fabian J. Theis. 2024.
Nicheformer: a foundation model for single-cell and spatial omics. bioRxiv
Alexander Karollus, Johannes Hingerl, Dennis Gankin, Martin Grosshauser, Kristian Klemon & Julien Gagneur. 2024
Species-aware DNA language models capture regulatory elements and their evolution. Genome Biology
Manuel Tran, Paul Schmidle, Sophia J. Wagner, Valentin Koch, Valerio Lupperger, Annette Feuchtinger, Alexander Böhner, Robert Kaczmarczyk, Tilo Biedermann, Kilian Eyerich, Stephan A. Braun, Tingying Peng, Carsten Marr. 2024.
Generating highly accurate pathology reports from gigapixel whole slide images with HistoGPT. medRxiv
Roberto Olayo-Alarcon, Martin K. Amstalden, Annamaria Zannoni, Medina Bajramovic, Cynthia M. Sharma, Ana Rita Brochado, Mina Rezaei, Christian L. Müller. 2024.
Pre-trained molecular representations enable antimicrobial discovery. bioRxiv
Sergey Vilov, Matthias Heinig. 2024.
Investigating the performance of foundation models on human 3’UTR sequences. bioRxiv
Marcel Binz, Stephan Alaniz, Adina Roskies, Balazs Aczel, Carl T. Bergstrom, Colin Allen, Daniel Schad, Dirk Wulff, Jevin D. West, Qiong Zhang, Richard M. Shiffrin, Samuel J. Gershman, Ven Popov, Emily M. Bender, Marco Marelli, Matthew M. Botvinick, Zeynep Akata, Eric Schulz. 2023.
How should the advent of large language models affect the practice of science?. arXiv
Stéphane d'Ascoli, Sören Becker, Alexander Mathis, Philippe Schwaller, Niki Kilbertus. 2023.
ODEFormer: Symbolic Regression of Dynamical Systems with Transformers. arXiv