BOTANIC-1 von Living Models ergänzt Gemma 4 um einen Spezialisten für Pflanzen-DNA. Gemma organisiert die Analyse und ruft Werkzeuge auf; BOTANIC-1 bewertet genetische Varianten anhand ihres Sequenzkontexts. Die von Google DeepMind beschriebene Fallstudie zeigt eine rückblickende Priorisierung einer bereits validierten Melonenmutation. Sie belegt keine neue Entdeckung und keinen Ersatz jahrelanger Pflanzenzüchtung durch wenige Stunden Rechenzeit.
Gemma steuert, BOTANIC-1 bewertet
Die Architektur trennt allgemeines Schlussfolgern von spezialisiertem Sequenzwissen. Gemma 4 E4B plant bioinformatische Arbeitsschritte, schreibt Terminal-Pipelines und verarbeitet Werkzeugergebnisse. BOTANIC-1 steuert ein Bewertungssignal bei, das aus dem Training auf Genomen von 320 Pflanzenarten stammt.
In der Fallstudie läuft Gemma lokal über Ollama auf einer NVIDIA L4. Klassische Werkzeuge wie bcftools und Ensembl VEP übernehmen Filterung und Annotation; alternativ wird die lokale BOTANIC-1-Bewertungsfunktion eingebunden. Entscheidend ist nicht, dass ein Chatmodell plötzlich DNA wie natürliche Sprache versteht. Der Agent bekommt Zugang zu einem Modell, das eigens für pflanzliche Genomsequenzen entwickelt wurde.
Der BOTANIC-1-Preprint erschien erstmals am 7. September 2026, die dritte Version am 23. September. Die Google-Fallstudie weist kein Veröffentlichungsdatum aus. Der Ansatz sollte deshalb nicht als gerade erschienener Oktober-Modellrelease dargestellt werden.
Der Melonentest ist eine rückblickende Ranglistenaufgabe
Das Testbeispiel betrifft eine bekannte Veränderung im Melonengen CmEIN3. Die bereits experimentell validierte Mutation beeinflusst, ob Blüten weiblich oder zwittrig sind. Die Aufgabe des KI-Workflows war, diesen bekannten Treffer unter vielen Kandidaten möglichst weit oben einzuordnen.
Laut Fallstudie wurde die Suche zunächst auf 3.061 Varianten einer Region auf Chromosom 2 eingegrenzt. Nach dem Ausschluss von 567 Einfügungen, Deletionen und weiteren Veränderungen bewertete BOTANIC-1 die verbleibenden 2.494 Einzelnukleotidvarianten. Die bekannte CmEIN3-Mutation erreichte in der dargestellten Auswertung allein Rang eins.
Google berichtet außerdem Recall@1 von 0,90 über 20 Durchläufe mit BOTANIC-1, gegenüber 0,00 beziehungsweise 0,15 für die beschriebenen klassischen Agenten-Setups. Diese Kennzahl beschreibt die Trefferquote auf dem ersten Rang in diesem Versuch. Sie ist keine allgemeine Erfolgswahrscheinlichkeit für neue Pflanzenmerkmale.
Warum das Spezialmodell zusätzliche Information liefert
Benachbarte Varianten können gemeinsam vererbt werden. Eine statistische Verknüpfung mit einem Merkmal trennt dann nicht zuverlässig die ursächliche Mutation von mitvererbten Begleitvarianten. BOTANIC-1 ergänzt diese Information durch einen Vergleich der Modellwahrscheinlichkeiten für die veränderte und die ursprüngliche DNA-Base.
Der daraus berechnete Log-Likelihood-Ratio-Score bewertet, wie gut die Veränderung zum genomischen Kontext passt. Ein stark negativer Wert weist auf eine möglicherweise störende Veränderung hin. Die offizielle Modellkarte schränkt das ausdrücklich ein: Das Modell sieht weder Phänotyp- noch Expressions- oder Populationsdaten. Die Stärke solcher Scores ist nicht über Positionen und Arten hinweg kalibriert. Ein Ranking bleibt eine Priorisierungshilfe, kein Kausalitätsbeweis.
Zugang und Kontextlänge brauchen einen zweiten Blick
Die öffentliche Modellkarte nennt S, M und L als zugangsbeschränkte Forschungsdownloads. Nutzer müssen bei Hugging Face Bedingungen akzeptieren; Benutzername und E-Mail-Adresse werden dabei mit Living Models geteilt. Die Nutzung ist auf nichtkommerzielle Forschung beschränkt. XL wird in derselben Karte als privat geführt.
Auch die Kontextangaben sind nicht gleichzusetzen: Der Forschungsbericht beschreibt Sequenzen bis 128 Kilobasen. Die veröffentlichte L-Modellkarte nennt dagegen 8.192 Trainingstokens; ihre Hilfsfunktionen begrenzen Eingaben auf die konfigurierte Länge von 8.194 Tokens. Längere direkte Modellaufrufe werden dort als ungetestet bezeichnet.
Für Entwickler ist BOTANIC-1 damit vor allem ein Beispiel für modulare wissenschaftliche Agenten: Ein allgemeines Modell koordiniert, ein Fachmodell bewertet, Forschende entscheiden über die nächste Validierung. Beschleunigt wird die Auswahl aussichtsreicher Kandidaten, nicht automatisch der biologische Nachweis oder ein vollständiges Züchtungsprogramm.
