SCOPE-AI aus Marburg: Wie KI die Auswertung von Mini-Organen im Labor beschleunigen soll

Im Labor wachsen winzige Nachbildungen menschlicher Organe heran, kaum größer als ein Stecknadelkopf. Forschende nutzen diese sogenannten Organoide, um Krankheiten zu untersuchen und Wirkstoffe zu testen, doch die Auswertung der Mikroskopiebilder kostet viel Zeit und Handarbeit. Genau hier setzt das neue Projekt SCOPE-AI an, das am 28. Oktober 2026 vorgestellt wurde. Forschende der Philipps-Universität Marburg arbeiten darin gemeinsam mit Helmholtz Munich, Helmholtz AI und dem Deutschen Krebsforschungszentrum an offenen Datensätzen, mit denen KI-Modelle die Analyse dieser Mini-Organe automatisieren sollen.

Was Organoide sind und warum ihre Auswertung so aufwendig ist

Organoide sind dreidimensionale Miniaturmodelle menschlicher und tierischer Organe, die im Labor aus Zellen gezüchtet werden. Sie bilden Strukturen und Funktionen des echten Organs in vereinfachter Form nach. Dadurch lassen sich Krankheitsprozesse beobachten und Substanzen testen, ohne dass jeder Versuch direkt am Menschen oder am Tier stattfinden muss. In der Forschung gelten sie deshalb als wichtiges Werkzeug, etwa wenn es um neue Wirkstoffe oder um das Verständnis von Gewebe geht.

Das Problem liegt in der Auswertung. Bei jedem Experiment entstehen zahlreiche Mikroskopiebilder. Forschende müssen Zellstrukturen erkennen, Veränderungen dokumentieren und Merkmale einander zuordnen. Diese Arbeit geschieht bislang weitgehend von Hand. Sie ist langsam, sie kostet viel Zeit, und sie kann von Person zu Person unterschiedlich ausfallen.

Künstliche Intelligenz könnte diese Lücke schließen. Ein trainiertes Modell kann Bilder in großer Zahl sichten, wiederkehrende Muster erkennen und Merkmale einheitlich markieren. Doch dafür braucht es zuerst das richtige Trainingsmaterial, und genau das fehlt bisher in ausreichender Form.

Was SCOPE-AI genau aufbauen will

SCOPE-AI steht für strukturierte, phänotyp- und skalenübergreifende Organoid-Korpora als Grundlage für künstliche Intelligenz. Der Name klingt sperrig, doch die Idee dahinter ist klar: Das Projekt will drei frei zugängliche Datensätze schaffen, in denen wichtige Zellstrukturen und Merkmale von Fachleuten markiert und zugeordnet sind. Solche annotierten Sammlungen sind die Voraussetzung dafür, leistungsfähige KI-Modelle zu trainieren.

Neben den Datensätzen sollen Basismodelle entstehen, also vortrainierte KI-Modelle, die Forschende für eigene Fragestellungen anpassen können. Hinzu kommen Werkzeuge zur Kennzeichnung von Bilddaten und nachvollziehbare Arbeitsabläufe, mit denen andere Teams die Ergebnisse prüfen und wiederverwenden können. Die Kombination aus Daten, Modellen und Werkzeugen soll dafür sorgen, dass die automatisierte Analyse nicht nur in einem einzigen Labor funktioniert, sondern breit nutzbar wird.

Ein Schwerpunkt liegt auf Lungen- und Nierenorganoiden. Die Marburger Forschungsgruppen um Prof. Dr. Mareike Lehmann und Prof. Dr. Thomas Worzfeld beschäftigen sich insbesondere damit, wie sich Epithelzellen verhalten, entwickeln und organisieren. Epithelzellen bilden unter anderem die Oberflächen von Organen und spielen bei vielen Krankheitsprozessen eine zentrale Rolle. Wer ihre Muster in Organoiden zuverlässig erkennt, kann Veränderungen früher und genauer beschreiben.

Wer beteiligt ist und wie das Projekt gefördert wird

SCOPE-AI ist ein Verbundprojekt. Die Philipps-Universität Marburg arbeitet darin mit Helmholtz Munich, Helmholtz AI und dem Deutschen Krebsforschungszentrum (DKFZ) zusammen. Jede Einrichtung bringt eigene Stärken ein, von der biologischen Forschung über die Dateninfrastruktur bis zur KI-Entwicklung. Die Ergebnisse sollen über offene Dateninfrastrukturen zugänglich sein, sodass Forschende aus anderen Einrichtungen sie nachnutzen können.

Finanziert wird das Vorhaben von der Deutschen Forschungsgemeinschaft (DFG). Nach Angaben der Universität Marburg stellt die DFG rund 330.000 Euro bereit. Das Geld fließt im Programm „Forschungsdaten und Software”, das gezielt Projekte unterstützt, die Forschungsdaten und Programme für die Wissenschaftsgemeinschaft nutzbar machen. Für ein Verbundprojekt dieser Art ist das eine überschaubare, aber gezielte Förderung, die vor allem auf offene und wiederverwendbare Ergebnisse setzt.

Warum offene Daten für die KI-Forschung wichtig sind

In der KI-Forschung entscheidet die Qualität der Trainingsdaten oft darüber, ob ein Modell im Alltag taugt oder nur im Laborversuch glänzt. Sind die Bilder spärlich dokumentiert oder uneinheitlich markiert, lernt das Modell falsche oder unklare Muster. Sind sie dagegen sorgfältig annotiert und vielfältig zusammengestellt, kann das Modell robustere Schlüsse ziehen und sich auf neue Datensätze übertragen lassen.

Offene Datensätze haben noch einen zweiten Vorteil: Sie lassen sich von unabhängigen Teams prüfen. Andere Forschende können nachvollziehen, welche Bilder verwendet wurden und wie Merkmale markiert sind.

Was das für Medizinforschung und Tierversuche bedeuten kann

Gelingt die automatisierte Auswertung, könnten Forschende mehr Experimente in kürzerer Zeit auswerten und feinere Unterschiede zwischen Proben erkennen. Das ist vor allem für die Wirkstoffforschung interessant, wo viele Substanzen in frühen Phasen getestet werden.

Organoide können zudem dazu beitragen, Tierversuche zu reduzieren. Wo sich ein Krankheitsprozess oder eine Substanzwirkung im Mini-Organ zuverlässig abbilden lässt, braucht es in manchen Fällen weniger Tierversuche als Ergänzung. SCOPE-AI selbst ist kein Ersatz für Tierversuche und auch keine neue Behandlungsmethode. Es verbessert zunächst die Methode, mit der Laborergebnisse ausgewertet werden. Doch bessere Methoden sind oft der erste Schritt hin zu weniger aufwendigen und tierärmeren Versuchsabläufen.

Wichtig bleibt die Einordnung: Die automatisierte Analyse ersetzt nicht die fachliche Bewertung durch Forschende. Sie übernimmt wiederkehrende, zeitaufwendige Schritte und liefert strukturierte Zwischenergebnisse. Die Interpretation, die Einordnung in den Forschungskontext und die Entscheidung über nächste Experimente bleiben menschliche Arbeit.

Was SCOPE-AI nicht verspricht

Bei Meldungen über KI in der Medizinforschung lohnt sich ein nüchterner Blick. SCOPE-AI stellt kein klinisch zugelassenes Diagnoseverfahren vor und keine neue Behandlung. Es geht um Grundlagen: Daten, Modelle und Werkzeuge für die Forschung. Ob ein Verfahren später im Gesundheitswesen eingesetzt werden kann, hängt von unabhängiger Prüfung und nachgewiesenem Nutzen ab. Das gilt für jede Methode, die aus der Laborforschung in Richtung Anwendung wandert.

Auch die Daten selbst sind kein Selbstläufer. Drei offene Datensätze sind ein Anfang, kein Abschluss. Erst wenn viele Teams sie nutzen, Fehler melden und Ergänzungen beisteuern, zeigt sich, wie breit sie wirklich tragen. Wer das Projekt verfolgt, sollte deshalb auf die Veröffentlichungen achten: Wann erscheinen die Datensätze, wie sind sie dokumentiert, und welche Modelle entstehen darauf? An diesen Punkten entscheidet sich, ob SCOPE-AI im Forschungsalltag ankommt oder nur ein gut gemeinter Plan bleibt.

Für die deutsche Forschungslandschaft ist das Projekt dennoch ein bemerkenswertes Signal. Es verbindet Biologie, Datenwissenschaft und KI-Entwicklung über mehrere Einrichtungen hinweg und setzt auf Offenheit statt auf Alleingänge.

Frequently Asked Questions

Was ist SCOPE-AI?

SCOPE-AI ist ein Forschungsprojekt, das offene, fachlich annotierte Bilddatensätze von Organoiden schaffen will. Darauf aufbauend sollen Basismodelle, Kennzeichnungswerkzeuge und nachvollziehbare Arbeitsabläufe entstehen, mit denen KI die Auswertung von Mini-Organen automatisieren kann.

Wer arbeitet an SCOPE-AI mit und wer finanziert es?

Beteiligt sind die Philipps-Universität Marburg, Helmholtz Munich, Helmholtz AI und das Deutsche Krebsforschungszentrum. Die Deutsche Forschungsgemeinschaft fördert das Projekt nach Angaben der Universität Marburg mit rund 330.000 Euro im Programm „Forschungsdaten und Software”.

Ersetzt SCOPE-AI Tierversuche oder stellt es eine neue Behandlung vor?

Nein. SCOPE-AI verbessert zunächst die Auswertung von Laborexperimenten. Organoide können dazu beitragen, Tierversuche zu reduzieren, doch das Projekt selbst ist keine Behandlung und kein zugelassenes Diagnoseverfahren. Eine spätere Anwendung im Gesundheitswesen müsste erst unabhängig geprüft werden.