Hinter den Kulissen von Basecamp Research: Wie ein KI-Start-up die Evolution zum Trainingsdatensatz macht

Mit dem Geld will das 2020 gegründete Londoner Unternehmen seine biologischen KI-Modelle namens EDEN weiterentwickeln und eigene Therapiekandidaten in Richtung klinischer Entwicklung bringen. Im Mittelpunkt stehen zunächst Zelltherapien: Zellen von Patienten sollen genetisch so verändert werden, dass sie beispielsweise Krebs bekämpfen. Basecamp will diesen Eingriff direkt im Körper vornehmen.

Die Grundlage dafür sucht das Unternehmen unter anderem in Mikroorganismen aus bislang wenig erforschten Lebensräumen. Aus deren Erbgut sollen die Modelle Muster lernen, die sich für medizinische Aufgaben nutzen lassen.

"Angesichts der Komplexität der Biologie brauchen wir um Größenordnungen mehr Daten", sagt Philip Lorenz, Technikchef von Basecamp Research, im Interview mit THE DECODER. Entscheidend sei jedoch die Verbindung dieser umfangreichen Datensammlung mit kleineren, gezielt durchgeführten Experimenten.

Bis daraus Behandlungen werden, ist allerdings noch viel Entwicklungsarbeit nötig. Bislang liegen Laborversuche und Ergebnisse aus Mäusen vor. Ob Basecamps Ansatz auch beim Menschen sichere und wirksame Therapien hervorbringt, ist damit noch nicht gezeigt.

Öffentliche Erbgutdatenbanken zeigen nur einen kleinen Ausschnitt der Natur

Das Wall Street Journal berichtete kürzlich, dass Pharmaunternehmen Milliarden in KI investieren, belastbare Belege für spürbar höhere Erfolgsquoten in der klinischen Entwicklung aber bislang rar sind. Lorenz sieht darin keinen Grund, das Potenzial der Technik infrage zu stellen. Bei Sprachmodellen habe Skalierung sehr schnell große Fortschritte gebracht. Auch in der Biologie gebe es Fortschritte, doch die großen offenen Fragen, etwa die Beschleunigung klinischer Studien, seien ungleich schwieriger. Biologie sei als Problem "weit komplexer und weit größer".

Hinzu komme ein grundlegender Unterschied bei den Daten. Sprachmodelle lernen aus riesigen Textsammlungen, Pharmaunternehmen arbeiten dagegen häufig mit kleinen, voneinander isolierten Datensätzen, etwa aus einzelnen Studien.

Wie groß der Abstand zwischen beiden Welten ausfällt, veranschaulicht Lorenz mit einer Schätzung von Epoch AI. Demnach liegt die Obergrenze aller existierenden Wörter bei grob fünf Billiarden Tokens. Die Zahl der Nukleotide auf der Erde schätzt Basecamp dagegen auf 10 hoch 37. "Ein Stapel aus so vielen Spielkarten würde das beobachtbare Universum eine Million Mal umrunden", sagt Lorenz. Einen Datensatz dieser Größe brauche man nicht, wohl aber einen weitaus größeren als heute.

Auch öffentliche Erbgutdatenbanken bilden die Natur nur lückenhaft ab. Laut Basecamps Forschungspapier zur Datenbank BaseData stammen rund 68 Prozent des Sequenzvolumens im Sequence Read Archive aus nur fünf Arten. Allein auf den Menschen entfallen demnach etwa 54 Prozent.

Für die medizinische Forschung ist dieser Schwerpunkt naheliegend. Für ein Modell, das möglichst unterschiedliche biologische Vorgänge lernen soll, sieht Basecamp darin jedoch eine Einschränkung, denn viele andere Lebensformen kommen in den Daten kaum vor. "Würde man ein Sprachmodell nur mit Zeitungsartikeln aus dem Jahr 1975 trainieren, wäre es ein sehr schlechtes Modell", sagte Lorenz in einer Fallstudie von Microsoft, dem Cloud-Partner des Unternehmens. "Ungefähr da stehen wir in der Biologie."

Das Unternehmen sammelt deshalb gemeinsam mit lokalen Forschungspartnern selbst Proben, etwa aus Regenwaldböden, vulkanischen Böden oder der Tiefsee vor der Antarktis. Laut der aktuellen Finanzierungsmitteilung erstreckt sich dieses Netzwerk inzwischen über mehr als 30 Länder und alle sieben Kontinente. Microsoft beziffert die Zahl der beteiligten Organisationen auf 208 in 31 Ländern.

Zum Zeitpunkt des Interviews umfasst der Datenbestand nach Lorenz' Angaben rund 15 Billionen Tokens. Damit bewege er sich bereits in der Größenordnung der Textdatensätze, mit denen Modelle wie Claude oder GPT trainiert werden. Ein Token entspricht hier allerdings einem einzelnen DNA-Baustein. Die KI verarbeitet also keine Wörter wie ein Chatbot, sondern Zeichenfolgen, die Erbgut beschreiben.

Die erste EDEN-Generation wurde laut Microsoft noch auf 9,7 Billionen DNA-Bausteinen aus mehr als einer Million neu sequenzierter Arten trainiert. Das Training entstand in Zusammenarbeit mit Microsoft-Forschern auf der Cloud-Plattform Azure, der Rechenaufwand soll mit dem von GPT-4 vergleichbar gewesen sein. OpenAI hat diesen Wert allerdings nie offiziell beziffert.

Innerhalb der nächsten anderthalb Jahre soll sich die Datenmenge ungefähr verhundertfachen und damit die Marke von einer Billiarde Tokens überschreiten. Den Rahmen dafür bildet der im März angekündigte Trillion Gene Atlas: Gemeinsam mit Anthropic, Nvidia, PacBio und Ultima Genomics will Basecamp Erbgutdaten in der Größenordnung von einer Billion Genen zusammentragen.

In der aktuellen Finanzierungsmitteilung bezeichnet Basecamp den Trillion Gene Atlas bereits als Trainingsgrundlage seiner EDEN-Modelle. Wie weit der angekündigte Ausbau fortgeschritten ist, beziffert das Unternehmen dort allerdings nicht.

Bakterielles Wettrüsten als Vorlage für neue Wirkstoffe

Den Zusammenhang zwischen Umweltproben und Medizin sieht Lorenz in der Evolution, die allen biologischen Prozessen zugrunde liege. Ob sich ein Bakterium in einer heißen Quelle an die Hitze anpasst oder eine Krebszelle Metastasen bildet: In beiden Fällen wirken ähnliche Selektionsdrücke. Das Erbgut von Menschen, Säugetieren und nahezu allen Wirbeltieren sei weitgehend sequenziert, der Rest der biologischen Vielfalt dagegen kaum erfasst. Zudem stammten viele Arzneistoffe ursprünglich aus Pflanzen, Bakterien und Pilzen.

Konkret veranschaulicht Lorenz das am Beispiel konkurrierender Mikroorganismen. Einige der wirkungsvollsten therapeutischen Moleküle stammten aus "biologischer Kriegsführung" zwischen verschiedenen Organismen. Versucht eine Bakterienart, ein Ökosystem zu dominieren, entwickelt sie mitunter Stoffe, die konkurrierende Arten hemmen oder abtöten, und sichert sich so Nahrung und Lebensraum. Das geschehe milliardenfach an unzähligen Orten der Erde, besonders dort, wo Nährstoffe knapp sind. Für die Medizin können solche Stoffe als Antibiotika interessant sein.

Ein weiteres Beispiel nennt Lorenz in der Microsoft-Fallstudie: Phagen, also Viren, die Bakterien befallen und ihre DNA in deren Zellen einschleusen. Aus diesem Wechselspiel seien Werkzeuge hervorgegangen, die sich zur Geneditierung nutzen lassen.

Basecamp will aus einer Vielzahl solcher evolutionär entstandenen Lösungen lernen. Die Modelle sollen nicht nur bekannte Wirkstoffe wiederfinden, sondern aus den gelernten Mustern neue Kandidaten entwerfen.

Dafür erfasst das Unternehmen neben dem Erbgut auch die chemischen, physikalischen und ökologischen Bedingungen am Fundort. Zudem legt es Wert auf lange, zusammenhängende DNA-Abschnitte. Sie verraten, welche Gene nebeneinander liegen und womöglich zusammenwirken. In kurzen, isolierten Fragmenten geht dieser Zusammenhang häufig verloren.

Ein Antibiotikakandidat besteht den ersten Test im Tiermodell

Einen ersten Beleg für den medizinischen Nutzen sieht Lorenz in den Antibiotikaentwürfen von EDEN. "Wir geben dem Modell einen Erreger vor, und es entwirft ein Antibiotikum, das ihn abtötet", beschreibt er das Prinzip.

In einem noch nicht begutachteten Forschungspapier zur EDEN-Modellfamilie berichten die Autoren über eine kleine, gezielt zusammengestellte Auswahl antimikrobieller Peptide, also kurzer Eiweißketten, die Bakterien angreifen können. Von den untersuchten Kandidaten zeigten demnach 97 Prozent Aktivität im Labor.

Diese Quote gilt allerdings nur für die getestete Auswahl, nicht für beliebige Entwürfe des Modells. Laut Basecamp blieb es jedoch nicht beim Versuch im Reagenzglas.

Eine Unternehmensmitteilung vom Juni beschreibt Versuche mit dem Kandidaten EDEN-7. Bei Mäusen, die mit multiresistenten Bakterien infiziert waren, zeigte er demnach eine Wirksamkeit in der Größenordnung eines Reserveantibiotikums, also eines Mittels für schwer behandelbare Infektionen.

Der Kandidat sei direkt vom Modell erzeugt und vor dem Versuch nicht durch wiederholte Anpassungen optimiert worden. Die Arbeit entstand gemeinsam mit Forschern der University of Pennsylvania um César de la Fuente.

Genau diesen Schritt vom Entwurf zum Experiment betont Lorenz im Gespräch. Es gehe Basecamp nicht nur darum, Daten zu sammeln und Modelle zu trainieren. Entscheidend sei, ob die erzeugten Moleküle tatsächlich funktionieren.

Neben Antibiotika und den im Folgenden beschriebenen Einfügewerkzeugen ließ Basecamp EDEN laut Microsoft auch ein synthetisches Darmmikrobiom aus rund 9.000 Bakterienarten erzeugen. Zur Prüfung zog das Team die Mikrobiomforscherin Jill Banfield von der UC Berkeley hinzu, die strenge Kriterien vorgab und inzwischen Mitautorin der zugehörigen Veröffentlichung ist. "Es ist gut, einen skeptischen Menschen zu fragen und nicht nur KI", sagte Lorenz.

Die Genfähre für den Körper

Für die eigene Therapieentwicklung setzt Basecamp EDEN zunächst anders ein: Das Modell soll biologische Werkzeuge entwerfen, die größere DNA-Abschnitte an ausgewählten Stellen des menschlichen Erbguts einfügen.

Dazu zählen große Serin-Rekombinasen, Enzyme, die DNA neu verknüpfen können. Basecamp will sie so gestalten, dass sie therapeutisch nützliche Erbinformation gezielt in Zellen einbauen.

Der Ansatz zielt auf ein Grundproblem der Gentherapie: Viele Erbkrankheiten gehen je nach Patient auf unterschiedliche Mutationen zurück. Statt jede einzelne zu korrigieren, sollen die Enzyme eine gesunde Genkopie einfügen, unabhängig von der konkreten Mutation. Ihren Ursprung haben solche Einfügewerkzeuge in eben jenem Konflikt zwischen Phagen und Bakterien. Für den Einsatz im menschlichen Erbgut müssen sie erst umprogrammiert werden.

Im EDEN-Paper berichten die Autoren von mehreren funktionierenden Enzymkandidaten für alle untersuchten krankheitsrelevanten Zielregionen. Die Hälfte der erzeugten Serin-Rekombinasen war in menschlichen Zellen aktiv.

Eine mögliche Anwendung sind CAR-T-Zellen: genetisch veränderte Immunzellen, die Krebszellen erkennen und angreifen sollen. In einer Mitteilung vom Januar gab Basecamp an, so veränderte primäre menschliche T-Zellen, also direkt von Spendern gewonnene Immunzellen, hätten im Labor mehr als 90 Prozent der Tumorzellen beseitigt.

Mit dem neuen Kapital will das Unternehmen den Ansatz zu einer Behandlung direkt im Körper weiterentwickeln. Das soll die aufwendige Herstellung von Zelltherapien vereinfachen, die laut Finanzierungsmitteilung bislang Hunderttausende Dollar pro Patient kosten kann.

Ein im Labor funktionierender genetischer Eingriff beantwortet jedoch nicht die Frage, wie die nötigen Bestandteile sicher zu den richtigen Zellen im Körper gelangen. Darauf hatte Arc-Mitgründer Patrick Hsu bereits in einem Bericht der Financial Times vom Mai 2025 hingewiesen. Als offene Herausforderungen nannte er die Verabreichung, mögliche toxische Effekte und Abwehrreaktionen der Zellen.

Langfristig soll sich das Prinzip der Antibiotikaentwürfe auf Krankheiten allgemein übertragen lassen. "Wir wollen Biologie programmierbar machen. Man gibt eine Krankheit ein, und heraus kommt ein Molekül, das sie behandelt", sagte Lorenz gegenüber Microsoft. Vom heutigen Stand ist das noch weit entfernt, wie er selbst einräumt: "Diese Moleküle sind aktiv, sie funktionieren. Aber damit sie in die Klinik gehen können, muss noch viel mehr passieren."

Wie weit der Weg noch ist, zeigt die Therapie-Pipeline, die Basecamp auf seiner Website veröffentlicht hat. Laut dem Stand vom September 2026 hat keines der sechs Programme die Phase der Leitstrukturoptimierung verlassen, in der aussichtsreiche Kandidaten weiter verbessert werden. Erst danach folgen präklinische Studien, die Voraussetzung für einen Antrag auf Erprobung am Menschen sind, und schließlich klinische Studien.

In der Leitstrukturoptimierung befinden sich demnach vier Programme: In-vivo-CAR-T-Zelltherapien gegen Blutkrebs und gegen eine nicht näher genannte Autoimmunerkrankung, eine Gentherapie der Leber gegen die erbliche Stoffwechselkrankheit Phenylketonurie (PKU) sowie antimikrobielle Peptide gegen resistente Erreger. Alle Zell- und Gentherapieprogramme setzen auf die großen Serin-Rekombinasen. Noch in der frühen Forschungsphase stehen eine CAR-T-Therapie gegen solide Tumoren und Peptide gegen Diabetes.

Welches Programm zuerst in Studien am Menschen gehen soll und wann, geht aus der Übersicht nicht hervor. Entsprechende Fragen von THE DECODER, auch zu den präklinischen Ergebnissen und deren unabhängiger Prüfung sowie zu Vergleichsdaten mit anderen KI-Systemen, ließ das Unternehmen zunächst unbeantwortet, stellte aber eine spätere Antwort in Aussicht.

Ein Drittel der Rechenleistung fließt in bestärkendes Lernen

Die Naturdaten sind für Lorenz eine Grundlage, kein Ersatz für medizinische Experimente. In seinem Bostoner Labor erzeugt Basecamp unter anderem Daten aus Versuchen mit T-Zellen, einer Gruppe menschlicher Immunzellen.

Solche Versuche liefern keine Milliarden Tokens, sondern meist Hunderte bis Tausende Datenpunkte. Dafür beantworten sie eng umrissene Fragen, etwa ob eine genetische Veränderung in einer bestimmten Zellart funktioniert.

Basecamp will diese Ergebnisse nutzen, um ein bereits breit trainiertes Modell auf konkrete Aufgaben auszurichten. Dazu gehören zusätzliche Trainingsschritte mit ausgewählten Beispielen ebenso wie bestärkendes Lernen, bei dem das Modell anhand von Bewertungen seiner Ergebnisse weiter angepasst wird.

"Derzeit ist ein Drittel unserer GPUs für Experimente mit bestärkendem Lernen reserviert", sagt Lorenz. Gemeint sind die Grafikprozessoren, auf denen das Unternehmen seine Modelle trainiert.

Welche messbaren Vorteile diese Versuche bislang gebracht haben, führt er nicht aus. Die Verteilung der Rechenressourcen zeigt aber, dass Basecamp nicht allein darauf setzt, das ursprüngliche Training mit immer mehr Daten zu füttern. Bestärkendes Lernen ist maßgeblich an den jüngsten Leistungssteigerungen von Sprachmodellen wie GPT-6 beteiligt.

Auch bei den Daten selbst will Basecamp breiter werden. Die erste EDEN-Modellfamilie war laut Lorenz ein reines DNA-Modell. DNA kodiert Proteine, die sich wiederum zu Strukturen falten. Ein DNA-Modell enthält deshalb bereits viele Signale, die man sonst mit separaten Protein- oder Strukturmodellen erfassen würde. Die nächste Generation soll komplexere, stärker klinische Aufgaben bewältigen, etwa die bereits erwähnte Bewertung von Sicherheit und Toxikologie, und neben DNA-Sequenzen weitere Daten verarbeiten. Welche das sind, lässt Lorenz offen.

Gute Benchmark-Werte garantieren keine besseren Moleküle

"Je mehr Daten wir sammeln, desto mehr glaube ich, dass wir noch mehr sammeln müssen", sagt Lorenz. Basecamp habe seinen Datenbestand bislang ungefähr jährlich verzehnfacht. Bei jedem neuen Trainingslauf sehe man "Leistungssteigerungen, aber nie ein Leistungsplateau".

Nach seiner Darstellung kommt es dabei auch auf die Qualität der Daten an. Basecamp investiere viel Aufwand in die Aufbereitung der Proben, von der Extraktion über die Sequenzierung bis zur Assemblierung. In den vergangenen sechs Monaten habe das Unternehmen identische Modellarchitekturen unter sonst gleichen Bedingungen auf eigenen und auf öffentlichen Daten trainiert. Mit den eigenen Daten verlaufe die Skalierungskurve steiler. Bei kleinen Modellen sei der Unterschied gering, mit wachsender Modellgröße nehme er zu.

Lorenz macht das an der Perplexität fest, einem Maß dafür, wie gut ein Modell die nächsten Zeichen einer Sequenz vorhersagt. Je niedriger der Wert, desto besser. Um eine Perplexität von zwei zu erreichen, spare man mit Basecamps Daten einige Hunderttausend bis Millionen GPU-Stunden. Für eine Perplexität von 1,5 ergebe die Hochrechnung eine Differenz von Milliarden GPU-Stunden. Diese Zahl ist eine Projektion, kein gemessenes Ergebnis.

Die Grundprinzipien der von Sprachmodellen bekannten Skalierungsgesetze gelten laut Lorenz auch in der Biologie. Die konkreten Verhältnisse unterschieden sich aber je nach Modelltyp, etwa zwischen DNA- und Proteinmodellen.

Zugleich warnt er davor, sich allein auf solche technischen Kennzahlen zu verlassen. Basecamp habe verschiedene Modellarchitekturen verglichen, darunter StripedHyena, die Architektur hinter dem Evo-Modell des Arc Institute, und Llama. StripedHyena habe teilweise die niedrigere Perplexität erreicht. Bei den anschließenden biologischen Aufgaben habe dagegen Llama besser abgeschnitten.

Laut Lorenz fiel die Wahl deshalb auf Llama. Zudem prüfe das Unternehmen während des Trainings regelmäßig anhand von Zwischenständen, wie gut die Modelle biologische Aufgaben lösen. Als Beispiel für eine Fähigkeit, die erst mit wachsender Modellgröße deutlich hervortritt, nennt er die Vorhersage möglicher Immunreaktionen auf ein Molekül. In der kleinsten EDEN-Variante sei sie weniger ausgeprägt. Konkrete Messwerte nennt er dazu nicht.

"Man sollte nicht zu viel versprechen, was KI kann oder nicht kann, sondern die Experimente machen und herausfinden, was sie tut", sagt Lorenz. Oft sei das Team selbst überrascht, welche Eigenschaften beim Skalieren entstünden.

Künstlich erzeugte Trainingsdaten haben für das Unternehmen derzeit geringere Priorität. Sie fügten Lorenz zufolge nur weitere Punkte in bereits bekannten Regionen des Sequenzraums hinzu, erschlössen aber keine neuen. Basecamp wolle jedoch vor allem bislang unbekannte biologische Vielfalt erfassen. In eigenen Tests hätten so trainierte Modelle mitunter zwar funktionierende Proteine erzeugt, eine echte Verallgemeinerung auf neue Aufgaben habe Basecamp mit synthetischen Daten aber nicht erreicht.

Der Chatbot als Vorzimmer zum Biomodell

Die Bedienung biologischer Modelle soll künftig nicht mehr allein Spezialisten vorbehalten sein. Basecamp hat ausgewählte EDEN-Funktionen für Antibiotikaentwürfe und die Auswahl möglicher Impfstoffziele über Claude und Claude Science zugänglich gemacht.

Forschende sollen ihre Aufgabe in natürlicher Sprache beschreiben können. Claude greift dann auf EDEN zurück, um etwa Kandidaten für weitere Untersuchungen vorzuschlagen. Bei Impfstoffen geht es zunächst um die Frage, welche Bestandteile eines Erregers sich als Angriffspunkt für eine schützende Immunreaktion eignen könnten.

Die Modelle selbst will Basecamp laut Lorenz nicht offen veröffentlichen. Als Gründe nennt er Sicherheitsfragen und Vereinbarungen mit den Datenpartnern. Beides hängt für ihn eng zusammen: Viele Partner bevorzugten ein Modell, an dessen kommerzieller Nutzung sie beteiligt werden, statt eines Open-Source-Modells, dessen Verwendung sich nicht nachverfolgen lässt. Das Arc Institute hat sein Modell Evo dagegen offen veröffentlicht und dafür Daten von Krankheitserregern aus dem Training ausgeschlossen.

Auch Basecamp entferne unter anderem bestimmte Virendaten aus dem Trainingsmaterial, prüfe erzeugte Sequenzen und gleiche sie mit Datenbanken bekannter Krankheitserreger ab. Diese Maßnahmen sollen das Missbrauchsrisiko senken. Dass sie problematische Ausgaben vollständig verhindern, ist damit jedoch nicht belegt.

Der Streit um den gerechten Anteil an den Naturdaten

Die Datenstrategie steht und fällt auch mit der Bereitschaft von Ländern und lokalen Einrichtungen, mit Basecamp zusammenzuarbeiten. Das Unternehmen beginne keine Probenahme ohne die vorherige informierte Zustimmung von Landeigentümern sowie lokalen und nationalen Regierungen, sagt Lorenz.

"Jedes einzelne Token, mit dem EDEN vortrainiert wurde, können wir auf den genauen geografischen Ort und die erteilte Zustimmung zurückführen", sagt er.

Die Partner sollen nicht erst profitieren, wenn womöglich Jahre später ein Medikament auf den Markt kommt. Lorenz verweist auf die Beschäftigung lokaler Wissenschaftler sowie auf Investitionen in Sequenziertechnik und Labore, mit denen vor Ort eine "Bioökonomie" entstehen soll. Das BaseData-Paper beschreibt zusätzlich Lizenzzahlungen, deren Verteilung sich am Anteil der jeweils genutzten Trainingsdaten orientiert.

Bis Ende 2024 hatte Basecamp laut diesem Paper Zahlungen an 52 Begünstigte in 19 Ländern geleistet. Zwischen Probenahme und erster Zahlung vergingen im schnellsten Fall neun Monate.

Lorenz, der früher selbst in der Wissenschaft mit offenen Datenbanken gearbeitet hat, versteht dieses Modell nicht als Gegenentwurf zu öffentlich zugänglichen Daten, sondern als paralleles System. Zustimmung und Beteiligung schafften Vertrauen und damit den Anreiz für Partner, die Datensammlung in dem Maßstab auszubauen, den Basecamp für seine Modelle braucht.

Ob diese Beteiligung ausreicht, ist umstritten. Die Financial Times berichtete 2025 von Zahlungen in Höhe von einem Prozent des Umsatzes. Der Forscher Jim Thomas lobte gegenüber der Zeitung die Rückverfolgbarkeit der Daten, kritisierte aber die Höhe der Beteiligung: Die Daten steigerten auch den Wert des Unternehmens, und daran würden die Herkunftsgemeinschaften nicht angemessen beteiligt.

Auch Aurelie Dingom aus Kameruns Umweltministerium hielt höhere Anteile für angemessen. Die Basecamp-Gründer verwiesen gegenüber der Zeitung auf vertragliche Absicherungen und darauf, dass dauerhafte Partnerschaften auch im wirtschaftlichen Interesse des Unternehmens lägen.

Für den nächsten medizinischen Entwicklungsschritt stehen Basecamp nun weitere 140 Millionen Dollar zur Verfügung. Die bisherigen Versuche zeigen, dass EDEN biologisch aktive Kandidaten entwerfen kann. Ob daraus sichere, wirksame und einfacher herstellbare Behandlungen werden, müssen die kommenden Untersuchungen zeigen.