Fachbereich Biologie, Chemie, Pharmazie
Service-Navigation
Ideenwettbewerb KI in der Lehre
Alle Lehrenden des Fachbereichs BCP waren eingeladen, bis zum 1. Dezember 2024 innovative Ideen für die Nutzung von Künstlicher Intelligenz (KI) in der Lehre einzureichen. Pro Projekt konnten bis zu 10.000 EUR beantragt werden. Auf dem Fachbereichstag im Januar 2026 haben die Initiator*innen der fünf geförderten Projekte ihre Ergebnisse vorgestellt.
Fazit: In vier neuen Seminaren lernen Studierende, wie sie KI für spezielle Aufgaben ihres Fachs effizient und kritisch einsetzen. Und dank eines sicheren KI-Tools können Doktorand*innen die Laborprotokolle von Studierenden schneller korrigieren und kommentieren.
KI in der Wissenschaftskommunikation
Unendliche Möglichkeiten: KI in der Wissenschaftskommuniktion
Bildquelle: Kollage: Leon Obendorf, Jerome Jatzlau
Wie erklärt man komplexe Forschung so, dass sie auch außerhalb des Labors verstanden wird? In diesem Seminar lernen Studierende Aspekte guter wissenschaftlicher Kommunikation kennen – und probieren gleichzeitig neue, kreative Formate aus. Ziel ist es, wissenschaftliche Inhalte sowohl für Fachkolleg*innen als auch für eine breitere Öffentlichkeit verständlich und spannend aufzubereiten. Das Seminar steht allen Studierenden des Fachbereichs offen und wird im Sommersemester 2026 wieder mittwochs um 18 Uhr angeboten (LV 216709 im VV).
Ausprobieren auf Instagram und im Web
Künstliche Intelligenz spielt dabei eine wichtige Rolle: Sie kann helfen, Ideen zu entwickeln, Visualisierungen zu erstellen oder neue Formen der Darstellung auszuprobieren. Einige der Ergebnisse werden regelmäßig auf dem Instagram-Account @berlinscico geteilt und der Website scicoberlin.netlify.app, die mit den Studierenden gemeinsam und mithilfe generativer Language Models erstellt wurde.
Eine Übung im Seminar ist zum Beispiel die Analogie-Challenge: Die Teilnehmenden stellen sich vor, sie müssten ein wissenschaftliches Thema zu Hause am Weihnachtstisch ihren Verwandten erklären. Wo wird es schwierig? Welche Bilder oder Vergleiche helfen wirklich beim Verständnis? Gemeinsam entwickeln die Studierenden – oft mit Unterstützung von KI – analogie-basierte Visualisierungen, die komplexe Inhalte anschaulich machen.
Memes, Slams, 3D-Druck und mehr
Im Laufe des Seminars lernen sie verschiedene Methoden der Wissenschaftskommunikation kennen. Aus diesen wählen sie zwei aus, die sie vertieft bearbeiten und auf ein Thema ihrer Wahl anwenden. Das kann ein eigenes Forschungsprojekt sein oder ein Thema aus dem Seminar. Zu den Formaten gehören:
- Science Slam
- 3D-Druck wissenschaftlicher Modelle
- 3D-Rendering und Animation (z. B. von Proteinen, DNA, Membranen oder Zellen)
- Memes als Mittel der Wissenschaftskommunikation
- KI-gestützte Erstellung wissenschaftlicher Grafiken
Neben der praktischen Arbeit diskutieren die Studierenden auch Chancen und Risiken von KI-Tools. Ein wichtiges Thema ist zum Beispiel der Umgang mit Daten: Bilder oder Texte sollten nicht unkritisch in externe Systeme hochgeladen werden. Als datenschutzfreundliche Alternative lernen die Studierenden etwa das FU-Tool KI-Assist kennen.
Außerdem probieren sie Tools aus, die beim Lernen unterstützen können, zum Beispiel Memo AI zur Erstellung von Lernkarten oder NotebookLM zur Strukturierung von Inhalten.
KI-Anwendungen in den Pflanzenwissenschaften
In Gruppen erarbeiten die Studierenden anschließend aktuelle Themen selbstständig und präsentieren sie im Kurs.
Bildquelle: KI-generiert mit ChatGPT von Tiziana Guerra
Master-Studierende lernen KI-Methoden in den Pflanzenwissenschaften und werden gleichzeitig aktiv in die digitale Transformation dieses Forschungsfeldes eingebunden.
Das Grundlagenmodul umfasst eine Hands-on-Sessions mit ChatGPT und Plugins wie SciSpace, Einblicke in alternative Large Language Models sowie Anwendungen spezialisierter KI-Systeme wie AlphaFold. In Gruppen erarbeiten die Studierenden anschließend aktuelle Themen selbstständig und präsentieren sie im Kurs. Auch die Lehrenden erweitern so ihre Kenntnisse. Außerdem zeigen Gastreferent*innen aus Industrie, Start-ups und Forschung, was in den Pflanzenwissenschaften heute mit KI möglich ist, etwa bei der Überwachung von Pflanzen in Gewächshäusern oder beim Design von Enzymen.
In Zukunft wird das Seminar um ein praktisches Projekt erweitert: Gastdozierende aus Industrie oder Forschung vergeben konkrete Projekte, die Studierende über ein Semester hinweg bearbeiten. Workshops führen in die jeweiligen Methoden ein, und regelmäßige Treffen mit den Expert*innen begleiten den Arbeitsprozess. Ihre Ergebnisse präsentieren die Studierenden auf einer Abschlussveranstaltung. Auf diese Weise sammeln sie praktische Erfahrung und lernen mögliche Karrierewege im Bereich KI und Pflanzenwissenschaften kennenlernen.
Können KI-Sprachmodelle die Medikationsanalyse unterstützen?
Typische Fragen der Medikationsanalyse: Gibt es Arzneimittelwechselwirkungen? Stimmen Dosierung und Einnahme?
Bildquelle: erstellt mit KI „Google Gemini Banana 2“ von Leon Grasmaier und Marian Klose
Künftige Apotheker*innen werden in ihrem Berufsalltag selbstverständlich mit Künstlicher Intelligenz arbeiten. Deshalb lernen Studierende am Fachbereich schon im Studium, wie sie solche Technologien sinnvoll einsetzen – und wo ihre Grenzen liegen.
Als Anwendungsfeld dient die Medikationsanalyse, ein zentrales Arbeitsgebiet der Klinischen Pharmazie. Dabei analysieren Pharmazeut*innen systematisch alle Medikamente, die eine Patientin oder ein Patient einnimmt. Ziel ist es, Probleme in der Arzneimitteltherapie zu erkennen und die Behandlung sicherer zu machen.
Lernen an Fallbeispielen aus der Praxis
Typische Fragestellungen sind zum Beispiel: Gibt es Arzneimittelwechselwirkungen, wenn Patient*innen mehrere Arzneimittel gleichzeitig einnehmen? Stimmen Dosierung und Einnahme? Ist die Darreichungsform (z. B. Tablette, Kapsel, Saft, Spray) geeignet? Ist der/die Patient*in ausreichend über die Therapie informiert? Oder fehlt möglicherweise eine Therapie, obwohl eine Indikation (klinische Notwendigkeit) besteht?
Über das Jahr hinweg arbeiteten mehrere Gruppen von Studierenden an Projekten rund um den Einsatz von KI in der Medikationsanalyse. Für einige Wochen beschäftigten sie sich intensiv mit Fallbeispielen aus der Praxis.
Die Studierenden ließen große Sprachmodelle (LLMs) typische arzneimittelbezogene Probleme analysieren, erstellten ein eigenes Bewertungssystem und entwickelten dieses kontinuierlich weiter. Damit untersuchten sie, wie korrekt bzw. fehlerhaft und hilfreich die Medikationsanalysen der KI-Modelle tatsächlich waren.
Die KI-Ergebnisse sind nicht immer konsistent und manchmal gefährlich falsch
Dabei zeigte sich: KI kann zwar interessante Hinweise liefern – die Ergebnisse sind aber nicht immer konsistent. Selbst bei identischen Prompts gaben die KI-Modelle teilweise stark unterschiedliche Antworten. Besonders eindrücklich waren Fälle von Halluzinationen, bei denen die KI überzeugend klingende, aber falsche und teilweise gefährliche Informationen oder Handlungsempfehlungen erzeugte.
Die Diskussion der Ergebnisse führte zu einem klaren Fazit: KI kann die Medikationsanalyse unterstützen, beispielsweise bei der Recherche von Arzneimittelinformationen oder beim Aufzeigen möglicher arzneimittelbezogener Probleme. Die endgültige Bewertung und Priorisierung bleibt jedoch Aufgabe menschlicher Expert*innen aus der Pharmazie.
KI sinnvoll nutzen – und ihre Ergebnisse kritisch hinterfragen
Gleichzeitig lernten die Studierenden einen wichtigen Grundsatz für den Einsatz von KI im Gesundheitsbereich: Patientendaten dürfen nur in datengeschützten Umgebungen verarbeitet werden. Das Projekt vermittelt damit nicht nur technisches Wissen, sondern auch eine zentrale Kompetenz für die Zukunft des Berufs: KI sinnvoll nutzen – und ihre Ergebnisse kritisch hinterfragen.
KI in der Arzneistoffentwicklung und im Pharmaziestudium
Lernziele und Themen des Seminars
Bildquelle: Niklas Doering
In der Arbeitsgruppe von Gerhard Wolber dreht sich vieles darum, wie man neue medizinische Wirkstoffe gezielt am Computer entwickeln kann. Dabei spielt Künstliche Intelligenz eine immer größere Rolle: Sie kann helfen, Moleküle zu verstehen, ihre Eigenschaften vorherzusagen, potenzielle Wirkstoffe frühzeitig zu bewerten und ihre Risiken besser abzuschätzen. Das spart Zeit und Kosten. Deshalb sollen Studierende früh lernen, mit KI in der Forschung zu arbeiten.
Schneller zum Wirkstoff mit KI
Denn der Weg zu einem neuen Medikament ist lang: Am Anfang werden oft Millionen von Molekülen untersucht. Nach mehreren Auswahl- und Testphasen – von der ersten Suche über präklinische Untersuchungen bis zu klinischen Studien am Menschen – bleibt am Ende meist nur ein einziger Wirkstoff übrig, der tatsächlich als Arzneimittel zugelassen wird. Dieser Prozess kann zehn bis zwölf Jahre dauern.
Etwas schneller geht es mit KI-Software: Sie durchsucht den riesigen „chemischen Raum“ möglicher Moleküle und filtert Schritt für Schritt geeignete Kandidaten heraus. Zuerst werden Moleküle ausgewählt, die überhaupt synthetisiert werden können. Danach bleiben solche übrig, die typischen Eigenschaften von Arzneistoffen („drug-like“) besitzen. Schließlich werden die Moleküle identifiziert, die am gewünschten Zielprotein aktiv sind – also echte Kandidaten für neue Medikamente.
Studierende lernen virtuelles Screening
Wie solche Methoden praktisch funktionieren, lernen Studierende im Seminar „KI im virtuellen Screening – Praktische Einführung für Pharmazie-Studierende“. Sie erhalten Einblick in moderne KI-Methoden, lernen molekulare Repräsentationen und verschiedene Modellarchitekturen kennen und trainieren sogar ihr eigenes KI-Modell. Mit interaktiven Jupyter Notebooks führen die Teilnehmenden eigene Analysen durch und erleben Schritt für Schritt, wie KI in der modernen Wirkstoffforschung eingesetzt wird. Aktuell wird der Kurs in den Semesterferien auf Anfrage als Wahlpflichtfach im Zuge des Pharmaziestudiums angeboten
KI unterstützt beim Korrigieren von Laborprotokollen
Verwendet man lokal laufende Sprachmodelle, etwa LM Studio, müssen sensible Daten nicht auf die Server der Anbieter hochgeladen werden.
Bildquelle: Mathias Christmann, Bob Barthel
Laborpraktika gehören zum Chemiestudium – und damit auch viele Laborprotokolle. Also müssen Doktorand*innen jedes Semester eine große Menge an Reports lesen und kommentieren.
Kann KI sie dabei unterstützen?, fragte sich Chemieprofessor Mathias Christmann und probierte es aus. Gibt man einen Laborreport in ein großes Sprachmodell ein, kann die KI bereits hilfreiche Hinweise liefern – etwa auf fehlende Einheiten bei Messwerten oder unklare Formulierungen. Das Problem: Viele dieser Tools laufen über externe Server. Sensible Daten möchte man dort nicht einfach hochladen. Deswegen wollte Mathias Christmann eine eigene KI-Lösung für die Bewertung von Laborprotokollen entwickeln.
Lokale Sprachmodelle nutzen
Möglich wird das durch lokal laufende Sprachmodelle, etwa mit LM Studio. Diese Modelle sind kleiner als Systeme wie ChatGPT, können aber viele Aufgaben zuverlässig erledigen. Um sie im Praktikumsbetrieb nutzbar zu machen, entwickelt Masterstudent Bob Barthel eine eigene Infrastruktur: Ein Client konvertiert hochgeladene PDFs zunächst in Text und teilt sie in Abschnitte auf. Das KI-Modell analysiert diese Abschnitte und markiert mögliche Probleme oder Unklarheiten. Die Daten werden dabei innerhalb des Systems verwaltet und nicht an externe Dienste weitergegeben. Doktorand*innen können sich einfach einloggen und die Vorschläge der KI als Ausgangspunkt für ihre Korrekturen nutzen.
Das System analysiert Laborprotokolle abschnittsweise. Für jeden Abschnitt können die Nutzenden angeben, welcher Inhalt erwartet wird und welche typischen Fehler häufig auftreten. Zusätzlich lassen sich eigene Regex-Regeln definieren, mit denen formale Probleme automatisch erkannt werden – zum Beispiel fehlende Einheiten, Tippfehler oder Formatierungsprobleme. In der Benutzeroberfläche werden die entsprechenden Stellen im Text markiert. Kommentare können direkt ergänzt oder angepasst werden. Am Ende lässt sich das Protokoll als kommentiertes PDF exportieren und an die Studierenden zurückgeben.
Weitere Wissensquellen einbinden
Die kleineren Modelle haben auch ihre Grenzen. Tiefgehende konzeptionelle Fragen der Chemie sind für sie teilweise noch schwierig. Sehr gut funktionieren dagegen Aufgaben mit klarer Logik – etwa das Prüfen einzelner Aussagen oder das Auffinden konkreter Fehler. Künftig sollen die Modelle zusätzlich mit externen Wissensquellen verbunden werden. So könnten sie Fakten automatisch überprüfen und noch fundierteres Feedback geben.
Das Projekt zeigt auch, wie schnell sich heute neue KI-Tools entwickeln lassen. Mit sogenannten „Vibe“ oder „Agentic Coding“-Ansätzen können Ideen oft schon mit einfachen Sprachbeschreibungen umgesetzt werden. Damit Studierende lernen, solche Werkzeuge selbst zu nutzen, startet im nächsten Semester ein neuer Kurs zu KI-gestützter Programmierung.
Weitere Informationen
Flyer mit dem Ausschreibungstext zum Download
Für weitere Informationen und Fragen wenden Sie sich bitte per E-Mail an dekanatssekretariat@bcp.fu-berlin.de.