Was ist Omnii-1? Das Genom-Sprachmodell hinter den ersten KI-entwickelten Phagen

Am 20. Oktober 2026 stellte das KI-Labor Radical Numerics Omnii-1 vor, das es als das weltweit fortschrittlichste multimodale Genom-Sprachmodell bezeichnet. Die Hauptaussage ist bemerkenswert: Phagen, die vom Modell entwickelt wurden, wurden einem menschlichen Patienten mit einer antibiotikaresistenten Infektion verabreicht. Dieser Leitfaden erklärt, was Omnii-1 tatsächlich ist, was ein Genom-Sprachmodell leistet, seine acht Anwendungen und die Einschränkungen, die die Schlagzeilen überspringen.

Was ist Omnii-1?

Omnii-1 ist ein Genom-Sprachmodell (Genome Language Model): dieselbe Transformer-Technologie, die hinter großen Sprachmodellen steckt, aber auf biologischen Daten statt auf menschlichem Text trainiert. Anstatt das nächste Wort vorherzusagen, erlernt es die Muster in DNA, RNA, Proteinen und verwandten molekularen Signalen.

Radical Numerics gibt an, dass Omnii-1 nativ über 28 biologische Modalitäten vortrainiert wurde — darunter DNA, RNA, Proteine, Chromatin-Zugänglichkeit, Transkriptionsfaktorbindung, Histonmodifikationen, DNA-Methylierung, Spleißen und Genexpression, konditioniert auf Zelltyp und Gewebe (Radical Numerics). Nach dem Training auf Billionen von Token genetischer und multiomsicher Daten erlernt das Modell eine gemeinsame Repräsentation, die es an viele verschiedene biologische Probleme anpassen kann.

Das Unternehmen wurde von Mitgliedern des Teams hinter Evo und Evo 2 gegründet, früheren Genomodellen, die zur Entwicklung der ersten vollständig von KI erstellten Bakteriophagen-Genome verwendet wurden (Business Wire via FinancialContent).

Warum ein „Generalist"-Modell wichtig ist

Jahrelang wurde biologische KI für jeweils ein Problem entwickelt: separate Modelle für Proteine, Genregulation, genetische Erkrankungen und molekulares Design. Radical Numerics argumentiert, dass sich dies ändert — dass ein einziges Allzweckmodell nun spezialisierte Modelle bei den Aufgaben übertreffen kann, für die diese entwickelt wurden, ähnlich wie allgemeine LLMs enge NLP-Systeme übertrafen.

Das Genom ist der natürliche Ankerpunkt dafür. Es dient sowohl als gemeinsame Referenz für die Molekularbiologie als auch als Aufzeichnung, die durch Milliarden von Jahren der Evolution geprägt wurde. Ein Modell, das in DNA verankert ist, kann daher viele nachgelagerte Signale miteinander verbinden.

Die acht Anwendungen

Radical Numerics veröffentlichte Omnii-1 zusammen mit acht Anwendungen, die alle vom selben Basismodell ausgehen und durch Mid-Training oder Post-Training angepasst wurden. Einige der gemeldeten Ergebnisse:

• Omnii Genome. Setzt laut Unternehmen einen neuen Stand der Technik bei Regulatory-Track- und Variant-Effect-Benchmarks, vor spezialisierten Modellen wie AlphaGenome und Borzoi.
• Omnii Phage. Gezieltes Phagen-Design für antibiotikaresistente Infektionen (siehe unten). Bei zufällig zurückgehaltenen E. coli-Stämmen enthielten die zwei besten Empfehlungen für 92,1 % der geeigneten Stämme einen biologisch aktiven Phagen.
• Omnii Genetics. Platzierte eine funktionelle Variante in 90 % der ausgewerteten GWAS-Credible-Sets unter den vier besten Treffern und schlug Mechanismen für 153 Parkinson-Krankheitssignale vor.
• Omnii Diagnostics. Sagte einen blutbasierten Krebsbiomarker (zellfreies 5hmC) vorher, den es beim Vortraining nie gesehen hatte, und erreichte eine Pearson-Korrelation von 0,854 bei Varianteneffekten in der ausgewerteten Kohorte.
• Omnii Defense. Steigerte den Recall pathogenitätsbezogener Proteine von 78,6 % auf 95,8 %, wenn es einer konventionellen Screening-Pipeline hinzugefügt wurde.
• Omnii Rare Earths, Omnii Antibody und Omnii Cancer Vaccine vervollständigen das Angebot und decken Proteindesign für die Metalltrennung, Antikörperdesign und die Auswahl von Impfstoffzielen ab.

Alle Zahlen stammen von Radical Numerics selbst, wurden in seinem Launch-Beitrag veröffentlicht und wurden noch nicht unabhängig reproduziert.

Der Phagen-Meilenstein — und seine Einschränkungen

Das Ergebnis, das die Schlagzeilen antreibt, ist der Phagen-Fall. Phagen sind Viren, die Bakterien infizieren, und die Phagentherapie ist eine vielversprechende Option, wenn Antibiotika versagen — aber einen Phagen zu finden, der auf die spezifische Infektion eines Patienten abzielt, ist langsam und unzuverlässig.

Radical Numerics trainierte Omnii-1, um lebensfähige Phagen zu entwickeln, Varianten zu priorisieren und vorherzusagen, welche Phagen zu welchen Bakterienstämmen passen. In dem, was das Unternehmen als weltweit ersten klinischen Einsatz von KI-entwickelten Phagen bezeichnet, wurden Omnii-1-Designs einem Patienten mit einer antibiotikaresistenten bakteriellen Infektion im Rahmen eines autorisierten, ärztlich geleiteten Compassionate-Use-Verfahrens (Härtefallregelung) verabreicht (Omnii Phage-Bericht). In Labortests eliminierte ein Cocktail mit den entwickelten Varianten das resistente Isolat des Patienten in vitro vor der Verabreichung.

Hier ist Nüchternheit angebracht:

• Es handelt sich um einen einzigen Patienten. Radical Numerics gibt an, den klinischen Verlauf oder das Ergebnis des Patienten aus Datenschutzgründen nicht offenlegen zu können — es gibt daher kein gemeldetes Ergebnis, das bewertet werden könnte.
• Es ist investigativ. Compassionate Use ermöglicht es Patienten, Therapien außerhalb klinischer Studien zu erhalten, wenn keine zugelassene Option existiert; es handelt sich nicht um eine behördliche Zulassung, und das Unternehmen weist darauf hin, dass Beobachtungen an einem Patienten keine allgemeine Sicherheit oder Wirksamkeit belegen können.
• Nicht peer-reviewed. Der Bericht des Unternehmens wurde weder einem Peer-Review unterzogen noch in einer wissenschaftlichen Fachzeitschrift veröffentlicht, und seine Benchmark-Vergleiche mit AlphaGenome, Borzoi und anderen sind selbst berichtet und warten auf unabhängige Replikation (NYT via GV Wire).

Die Berichterstattung von Carl Zimmer für die New York Times stellte fest, dass das Unternehmen angab, die Studie sei von der FDA genehmigt worden — was unterstreicht, dass dies echte Neuigkeiten sind, aber Neuigkeiten über einen ersten Schritt, keine bewährte Behandlung.

Wie ein Genom-Sprachmodell in der Praxis eingesetzt wird

Omnii-1 kann ähnlich wie ein LLM verwendet werden, aber für die Biologie: eine fehlende Messung rekonstruieren, bewerten, wie eine genetische Variante die Funktion verändert, oder DNA mit einem gewünschten Profil generieren. Entscheidend ist, dass dieselbe DNA je nach dem angegebenen Zell- oder Gewebekontext unterschiedliche Vorhersagen liefern kann — was der tatsächlichen Funktionsweise der Biologie näherkommt.

Für das Phagen-Design im Besonderen bearbeitet das Modell ausgewählte Regionen eines bestehenden Genoms (wie die rezeptorbindende Schwanzfaser) unter Berücksichtigung der umgebenden Sequenz, sodass es das Wirts-Targeting ändern kann, ohne die Maschinerie zu beschädigen, die der Phage zur Replikation benötigt.

Warum das für KI-Entwickler wichtig ist

Omnii-1 ist ein domänenspezifisches Beispiel für ein breiteres Muster: ein allgemeines Modell, viele spezialisierte Workflows, jeder mit eigenen Daten und einer eigenen Evaluierungsschleife verdrahtet. Ob Sie in der Biologie, im Finanzwesen oder in der Softwareentwicklung arbeiten — der schwierige Teil ist selten das Modell selbst, sondern die Orchestrierung der Recherche, der Quellen und der Überprüfungen drumherum.

Wenn Sie Launches wie diesen kritisch lesen möchten, lesen Sie unsere Erklärungen zu Periodic Neon, einer im Labor trainierten KI für die Wissenschaft und TypeSafe AI's Jev-Modell.

Führen Sie Ihren eigenen Recherche-Workflow mit einem KI-Team durch

Einen dichten Launch wie Omnii-1 zu analysieren — Primärquellen zu sammeln, Benchmark-Behauptungen gegenzuprüfen und das Ergebnis vom Hype zu trennen — ist genau die Art von mehrstufiger Recherche, die eine KI-Belegschaft bewältigen kann. Eigent ist eine Open-Source-„Cowork"-Desktop-App, bei der ein Team von Agenten Quellen liest, Behauptungen vergleicht und die Zusammenfassung lokal entwirft, während Sie jeden Schritt genehmigen. Richten Sie sie auf einen Wettbewerbsanalyse-Workflow aus oder laden Sie Eigent herunter und bauen Sie Ihren eigenen Recherche-Arbeitsplatz auf.