# KI-Werkzeuge für die Forschung

Hier finden Sie Empfehlungen zu kostenfreien oder zumindest in der Basisversion kostenfreien KI-Werkzeugen für die Forschung.

# Protein- & Strukturforschung

**Tabelle1: Protein- & Strukturforschung** (KI generiert)

<div class="group TyagGW_tableContainer" id="bkmrk-%C2%A0-%C2%A0-%C2%A0-%C2%A0-%C2%A0-1-alphafol"><div class="TyagGW_tableWrapper flex flex-col-reverse w-fit" tabindex="-1"><table class="w-fit min-w-(--thread-content-width)" data-end="2347" data-start="46" style="width: 100%;"><thead data-end="111" data-start="46"><tr data-end="111" data-start="46"><th class="last:pe-10" data-col-size="sm" data-end="53" data-start="46" style="width: 6.67302%;"> </th><th class="last:pe-10" data-col-size="sm" data-end="67" data-start="53" style="width: 15.8484%;"> </th><th class="last:pe-10" data-col-size="sm" data-end="74" data-start="67" style="width: 12.2736%;"> </th><th class="last:pe-10" data-col-size="sm" data-end="91" data-start="74" style="width: 16.205%;"> </th><th class="last:pe-10" data-col-size="lg" data-end="111" data-start="91" style="width: 48.9761%;"> </th></tr></thead><tbody data-end="2347" data-start="135"><tr data-end="466" data-start="135"><td data-col-size="sm" data-end="143" data-start="135" style="width: 6.67302%;">**1**</td><td data-col-size="sm" data-end="181" data-start="143" style="width: 15.8484%;">**AlphaFold DB / AlphaFold Server**</td><td data-col-size="sm" data-end="283" data-start="181" style="width: 12.2736%;">[AlphaFold DB](https://www.alphafold.ebi.ac.uk/?utm_source=chatgpt.com) / [AlphaFold Server](https://alphafoldserver.com/)</td><td data-col-size="sm" data-end="311" data-start="283" style="width: 16.205%;">Proteinstrukturvorhersage</td><td data-col-size="lg" data-end="466" data-start="311" style="width: 48.9761%;">Referenzwerkzeug zur Vorhersage und Recherche von Proteinstrukturen. Besonders geeignet für Strukturbiologie, Target-Analyse und Hypothesengenerierung.</td></tr><tr data-end="725" data-start="467"><td data-col-size="sm" data-end="475" data-start="467" style="width: 6.67302%;">**2**</td><td data-col-size="sm" data-end="491" data-start="475" style="width: 15.8484%;">**ColabFold**</td><td data-col-size="sm" data-end="552" data-start="491" style="width: 12.2736%;">[ColabFold GitHub](https://github.com/sokrypton/ColabFold?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="589" data-start="552" style="width: 16.205%;">Schnelle Proteinstrukturvorhersage</td><td data-col-size="lg" data-end="725" data-start="589" style="width: 48.9761%;">Niedrigschwellige AlphaFold-basierte Strukturvorhersage über Google Colab oder lokal. Sehr beliebt für akademische Strukturbiologie.</td></tr><tr data-end="975" data-start="726"><td data-col-size="sm" data-end="734" data-start="726" style="width: 6.67302%;">**3**</td><td data-col-size="sm" data-end="748" data-start="734" style="width: 15.8484%;">**Boltz-2**</td><td data-col-size="sm" data-end="801" data-start="748" style="width: 12.2736%;">[Boltz GitHub](https://github.com/jwohlwend/boltz)</td><td data-col-size="sm" data-end="826" data-start="801" style="width: 16.205%;">Biomolekulare Komplexe</td><td data-col-size="lg" data-end="975" data-start="826" style="width: 48.9761%;">KI-Modell für Protein-, Ligand- und Komplexstrukturen sowie Bindungsaffinitäten. Besonders relevant für moderne Struktur- und Wirkstoffforschung.</td></tr><tr data-end="1202" data-start="976"><td data-col-size="sm" data-end="984" data-start="976" style="width: 6.67302%;">**4**</td><td data-col-size="sm" data-end="997" data-start="984" style="width: 15.8484%;">**Chai-1**</td><td data-col-size="sm" data-end="1058" data-start="997" style="width: 12.2736%;">[Chai-1 GitHub](https://github.com/chaidiscovery/chai-lab?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="1091" data-start="1058" style="width: 16.205%;">Multimodale Strukturvorhersage</td><td data-col-size="lg" data-end="1202" data-start="1091" style="width: 48.9761%;">Vorhersage von Strukturen biologischer Komplexe, einschließlich Proteinen, Liganden, DNA, RNA und Glykanen.</td></tr><tr data-end="1455" data-start="1203"><td data-col-size="sm" data-end="1211" data-start="1203" style="width: 6.67302%;">**5**</td><td data-col-size="sm" data-end="1229" data-start="1211" style="width: 15.8484%;">**RFdiffusion**</td><td data-col-size="sm" data-end="1299" data-start="1229" style="width: 12.2736%;">[RFdiffusion GitHub](https://github.com/RosettaCommons/RFdiffusion?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="1328" data-start="1299" style="width: 16.205%;">Generatives Protein-Design</td><td data-col-size="lg" data-end="1455" data-start="1328" style="width: 48.9761%;">Werkzeug für De-novo-Protein-Design, Binder-Design und Protein-Engineering. Sehr stark für experimentelle Design-Workflows.</td></tr><tr data-end="1705" data-start="1456"><td data-col-size="sm" data-end="1464" data-start="1456" style="width: 6.67302%;">**6**</td><td data-col-size="sm" data-end="1482" data-start="1464" style="width: 15.8484%;">**ProteinMPNN**</td><td data-col-size="sm" data-end="1546" data-start="1482" style="width: 12.2736%;">[ProteinMPNN GitHub](https://github.com/dauparas/ProteinMPNN?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="1570" data-start="1546" style="width: 16.205%;">Proteinsequenz-Design</td><td data-col-size="lg" data-end="1705" data-start="1570" style="width: 48.9761%;">Entwirft passende Aminosäuresequenzen für vorgegebene Protein-Backbones. Häufig kombiniert mit RFdiffusion und AlphaFold/ColabFold.</td></tr><tr data-end="1927" data-start="1706"><td data-col-size="sm" data-end="1714" data-start="1706" style="width: 6.67302%;">**7**</td><td data-col-size="sm" data-end="1726" data-start="1714" style="width: 15.8484%;">**GNINA**</td><td data-col-size="sm" data-end="1775" data-start="1726" style="width: 12.2736%;">[GNINA GitHub](https://github.com/gnina/gnina?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="1797" data-start="1775" style="width: 16.205%;">Molekulares Docking</td><td data-col-size="lg" data-end="1927" data-start="1797" style="width: 48.9761%;">Deep-Learning-gestütztes Docking und Scoring für Protein-Ligand-Interaktionen. Relevant für strukturbezogenes Wirkstoffdesign.</td></tr><tr data-end="2145" data-start="1928"><td data-col-size="sm" data-end="1936" data-start="1928" style="width: 6.67302%;">**8**</td><td data-col-size="sm" data-end="1951" data-start="1936" style="width: 15.8484%;">**DiffDock**</td><td data-col-size="sm" data-end="2007" data-start="1951" style="width: 12.2736%;">[DiffDock GitHub](https://github.com/gcorso/DiffDock?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="2032" data-start="2007" style="width: 16.205%;">Protein-Ligand-Docking</td><td data-col-size="lg" data-end="2145" data-start="2032" style="width: 48.9761%;">Diffusionsmodell für Protein-Ligand-Docking. Besonders interessant für KI-gestützte Drug-Discovery-Forschung.</td></tr><tr data-end="2347" data-start="2146"><td data-col-size="sm" data-end="2154" data-start="2146" style="width: 6.67302%;">**9**</td><td data-col-size="sm" data-end="2169" data-start="2154" style="width: 15.8484%;">**DeepChem**</td><td data-col-size="sm" data-end="2204" data-start="2169" style="width: 12.2736%;">[DeepChem](https://deepchem.io/?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="2235" data-start="2204" style="width: 16.205%;">Molekulares Machine Learning</td><td data-col-size="lg" data-end="2347" data-start="2235" style="width: 48.9761%;">Open-Source-Toolkit für Wirkstoffforschung, Molekülmodellierung, QSAR und chemisch-biologische ML-Workflows.</td></tr></tbody></table>

</div></div>

# DNA- und RNA-Forschung

**Tabelle 2: DNA &amp; RNA Forschung** (KI generiert)

<div class="group TyagGW_tableContainer" id="bkmrk-rang-ki-werkzeug-lin"><div class="TyagGW_tableWrapper flex flex-col-reverse w-fit" tabindex="-1"><table class="w-fit min-w-(--thread-content-width)" data-end="6103" data-start="2387" style="width: 100%;"><thead data-end="2452" data-start="2387"><tr data-end="2452" data-start="2387"><th class="last:pe-10" data-col-size="sm" data-end="2394" data-start="2387" style="width: 6.55386%;">Rang</th><th class="last:pe-10" data-col-size="sm" data-end="2408" data-start="2394" style="width: 12.9878%;">KI-Werkzeug</th><th class="last:pe-10" data-col-size="sm" data-end="2415" data-start="2408" style="width: 8.10375%;">Link</th><th class="last:pe-10" data-col-size="sm" data-end="2432" data-start="2415" style="width: 16.6826%;">Hauptanwendung</th><th class="last:pe-10" data-col-size="lg" data-end="2452" data-start="2432" style="width: 55.6482%;">Kurzbeschreibung</th></tr></thead><tbody data-end="6103" data-start="2476"><tr data-end="2703" data-start="2476"><td data-col-size="sm" data-end="2484" data-start="2476" style="width: 6.55386%;">**1**</td><td data-col-size="sm" data-end="2502" data-start="2484" style="width: 12.9878%;">**DeepVariant**</td><td data-col-size="sm" data-end="2564" data-start="2502" style="width: 8.10375%;">[DeepVariant GitHub](https://github.com/google/deepvariant?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="2586" data-start="2564" style="width: 16.6826%;">DNA-Variant Calling</td><td data-col-size="lg" data-end="2703" data-start="2586" style="width: 55.6482%;">Deep-Learning-Werkzeug zur Erkennung genetischer Varianten aus Sequenzdaten. Sehr relevant für Genomik-Pipelines.</td></tr><tr data-end="2915" data-start="2704"><td data-col-size="sm" data-end="2712" data-start="2704" style="width: 6.55386%;">**2**</td><td data-col-size="sm" data-end="2729" data-start="2712" style="width: 12.9878%;">**scvi-tools**</td><td data-col-size="sm" data-end="2769" data-start="2729" style="width: 8.10375%;">[scvi-tools](https://scvi-tools.org/?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="2801" data-start="2769" style="width: 16.6826%;">Single-Cell-RNA / Multi-Omics</td><td data-col-size="lg" data-end="2915" data-start="2801" style="width: 55.6482%;">Starkes Framework für scRNA-seq, Multi-Omics, Batch-Korrektur, Zellzustände und probabilistische Modellierung.</td></tr><tr data-end="3146" data-start="2916"><td data-col-size="sm" data-end="2924" data-start="2916" style="width: 6.55386%;">**3**</td><td data-col-size="sm" data-end="2939" data-start="2924" style="width: 12.9878%;">**SpliceAI**</td><td data-col-size="sm" data-end="2997" data-start="2939" style="width: 8.10375%;">[SpliceAI GitHub](https://github.com/Illumina/SpliceAI?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="3012" data-start="2997" style="width: 16.6826%;">RNA-Splicing</td><td data-col-size="lg" data-end="3146" data-start="3012" style="width: 55.6482%;">Vorhersage von Spleiß-Effekten genetischer Varianten. Besonders wichtig für Humangenetik und RNA-bezogene Varianteninterpretation.</td></tr><tr data-end="3392" data-start="3147"><td data-col-size="sm" data-end="3155" data-start="3147" style="width: 6.55386%;">**4**</td><td data-col-size="sm" data-end="3174" data-start="3155" style="width: 12.9878%;">**OpenSpliceAI**</td><td data-col-size="sm" data-end="3226" data-start="3174" style="width: 8.10375%;">[OpenSpliceAI](https://ccb.jhu.edu/openspliceai/?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="3245" data-start="3226" style="width: 16.6826%;">Splicing-Analyse</td><td data-col-size="lg" data-end="3392" data-start="3245" style="width: 55.6482%;">Offene Alternative bzw. Erweiterung für Splice-Site- und Variantenwirkungsanalyse, auch für nicht-humanbiologische Fragestellungen interessant.</td></tr><tr data-end="3626" data-start="3393"><td data-col-size="sm" data-end="3401" data-start="3393" style="width: 6.55386%;">**5**</td><td data-col-size="sm" data-end="3416" data-start="3401" style="width: 12.9878%;">**Enformer**</td><td data-col-size="sm" data-end="3504" data-start="3416" style="width: 8.10375%;">[Enformer GitHub](https://github.com/deepmind/deepmind-research/tree/master/enformer)</td><td data-col-size="sm" data-end="3529" data-start="3504" style="width: 16.6826%;">Regulatorische Genomik</td><td data-col-size="lg" data-end="3626" data-start="3529" style="width: 55.6482%;">Transformer-Modell zur Vorhersage von Genexpression und Chromatinzuständen aus DNA-Sequenzen.</td></tr><tr data-end="3834" data-start="3627"><td data-col-size="sm" data-end="3635" data-start="3627" style="width: 6.55386%;">**6**</td><td data-col-size="sm" data-end="3652" data-start="3635" style="width: 12.9878%;">**Geneformer**</td><td data-col-size="sm" data-end="3713" data-start="3652" style="width: 8.10375%;">[Geneformer](https://huggingface.co/ctheodoris/Geneformer)</td><td data-col-size="sm" data-end="3742" data-start="3713" style="width: 16.6826%;">Single-Cell-Transkriptomik</td><td data-col-size="lg" data-end="3834" data-start="3742" style="width: 55.6482%;">Foundation Model für Einzelzell-Transkriptome, Zellzustände und Genregulationsnetzwerke.</td></tr><tr data-end="4035" data-start="3835"><td data-col-size="sm" data-end="3843" data-start="3835" style="width: 6.55386%;">**7**</td><td data-col-size="sm" data-end="3855" data-start="3843" style="width: 12.9878%;">**scGPT**</td><td data-col-size="sm" data-end="3909" data-start="3855" style="width: 8.10375%;">[scGPT GitHub](https://github.com/bowang-lab/scGPT?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="3937" data-start="3909" style="width: 16.6826%;">Single-Cell / Multi-Omics</td><td data-col-size="lg" data-end="4035" data-start="3937" style="width: 55.6482%;">Generatives Foundation Model für Single-Cell-Analysen, Zelltypannotation und Datenintegration.</td></tr><tr data-end="4228" data-start="4036"><td data-col-size="sm" data-end="4044" data-start="4036" style="width: 6.55386%;">**8**</td><td data-col-size="sm" data-end="4058" data-start="4044" style="width: 12.9878%;">**DeepSEA**</td><td data-col-size="sm" data-end="4102" data-start="4058" style="width: 8.10375%;">[DeepSEA](https://deepsea.princeton.edu/)</td><td data-col-size="sm" data-end="4131" data-start="4102" style="width: 16.6826%;">Nicht-kodierende Varianten</td><td data-col-size="lg" data-end="4228" data-start="4131" style="width: 55.6482%;">Vorhersage funktioneller Effekte nicht-kodierender DNA-Varianten auf regulatorische Elemente.</td></tr><tr data-end="4403" data-start="4229"><td data-col-size="sm" data-end="4237" data-start="4229" style="width: 6.55386%;">**9**</td><td data-col-size="sm" data-end="4249" data-start="4237" style="width: 12.9878%;">**UFold**</td><td data-col-size="sm" data-end="4301" data-start="4249" style="width: 8.10375%;">[UFold GitHub](https://github.com/uci-cbcl/UFold?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="4324" data-start="4301" style="width: 16.6826%;">RNA-Sekundärstruktur</td><td data-col-size="lg" data-end="4403" data-start="4324" style="width: 55.6482%;">Deep-Learning-basiertes Werkzeug zur Vorhersage von RNA-Sekundärstrukturen.</td></tr><tr data-end="4596" data-start="4404"><td data-col-size="sm" data-end="4413" data-start="4404" style="width: 6.55386%;">**10**</td><td data-col-size="sm" data-end="4427" data-start="4413" style="width: 12.9878%;">**MXfold2**</td><td data-col-size="sm" data-end="4481" data-start="4427" style="width: 8.10375%;">[MXfold2 GitHub](https://github.com/mxfold/mxfold2?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="4504" data-start="4481" style="width: 16.6826%;">RNA-Sekundärstruktur</td><td data-col-size="lg" data-end="4596" data-start="4504" style="width: 55.6482%;">Kombiniert Deep Learning mit thermodynamischer Modellierung für RNA-Strukturvorhersagen.</td></tr><tr data-end="4772" data-start="4597"><td data-col-size="sm" data-end="4606" data-start="4597" style="width: 6.55386%;">**11**</td><td data-col-size="sm" data-end="4620" data-start="4606" style="width: 12.9878%;">**CRISPOR**</td><td data-col-size="sm" data-end="4659" data-start="4620" style="width: 8.10375%;"><a class="decorated-link cursor-pointer" data-end="4658" data-start="4622" rel="noopener" target="_new">CRISPOR</a></td><td data-col-size="sm" data-end="4680" data-start="4659" style="width: 16.6826%;">CRISPR-gRNA-Design</td><td data-col-size="lg" data-end="4772" data-start="4680" style="width: 55.6482%;">Etabliertes Werkzeug zur Auswahl und Bewertung von guide RNAs mit On-/Off-Target-Scores.</td></tr><tr data-end="4953" data-start="4773"><td data-col-size="sm" data-end="4782" data-start="4773" style="width: 6.55386%;">**12**</td><td data-col-size="sm" data-end="4797" data-start="4782" style="width: 12.9878%;">**CHOPCHOP**</td><td data-col-size="sm" data-end="4840" data-start="4797" style="width: 8.10375%;">[CHOPCHOP](https://chopchop.cbu.uib.no/)</td><td data-col-size="sm" data-end="4863" data-start="4840" style="width: 16.6826%;">CRISPR-/TALEN-Design</td><td data-col-size="lg" data-end="4953" data-start="4863" style="width: 55.6482%;">Breites akademisches Design-Tool für CRISPR, TALEN, Knock-out, Knock-in und CRISPRi/a.</td></tr><tr data-end="5143" data-start="4954"><td data-col-size="sm" data-end="4963" data-start="4954" style="width: 6.55386%;">**13**</td><td data-col-size="sm" data-end="4980" data-start="4963" style="width: 12.9878%;">**DeepCRISPR**</td><td data-col-size="sm" data-end="5041" data-start="4980" style="width: 8.10375%;">[DeepCRISPR GitHub](https://github.com/bm2-lab/DeepCRISPR?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="5062" data-start="5041" style="width: 16.6826%;">CRISPR-Optimierung</td><td data-col-size="lg" data-end="5143" data-start="5062" style="width: 55.6482%;">Deep-Learning-Modell für sgRNA-On-Target-Effizienz und Off-Target-Vorhersage.</td></tr><tr data-end="5335" data-start="5144"><td data-col-size="sm" data-end="5153" data-start="5144" style="width: 6.55386%;">**14**</td><td data-col-size="sm" data-end="5182" data-start="5153" style="width: 12.9878%;">**CRISPRon / CRISPRon-BE**</td><td data-col-size="sm" data-end="5229" data-start="5182" style="width: 8.10375%;">[CRISPRon](https://rth.dk/resources/crispr/)</td><td data-col-size="sm" data-end="5264" data-start="5229" style="width: 16.6826%;">gRNA- und Base-Editing-Aktivität</td><td data-col-size="lg" data-end="5335" data-start="5264" style="width: 55.6482%;">Modelle zur Vorhersage von CRISPR-Cas9- und Base-Editing-Aktivität.</td></tr><tr data-end="5534" data-start="5336"><td data-col-size="sm" data-end="5345" data-start="5336" style="width: 6.55386%;">**15**</td><td data-col-size="sm" data-end="5358" data-start="5345" style="width: 12.9878%;">**DeepHF**</td><td data-col-size="sm" data-end="5414" data-start="5358" style="width: 8.10375%;"><a class="decorated-link cursor-pointer" data-end="5413" data-start="5360" rel="noopener" target="_new">DeepHF GitHub</a></td><td data-col-size="sm" data-end="5435" data-start="5414" style="width: 16.6826%;">High-Fidelity-Cas9</td><td data-col-size="lg" data-end="5534" data-start="5435" style="width: 55.6482%;">gRNA-Design für WT-SpCas9 und High-Fidelity-Cas9-Varianten zur Reduktion unerwünschter Effekte.</td></tr><tr data-end="5731" data-start="5535"><td data-col-size="sm" data-end="5544" data-start="5535" style="width: 6.55386%;">**16**</td><td data-col-size="sm" data-end="5558" data-start="5544" style="width: 12.9878%;">**BE-Hive**</td><td data-col-size="sm" data-end="5627" data-start="5558" style="width: 8.10375%;"><a class="decorated-link cursor-pointer" data-end="5626" data-start="5560" rel="noopener" target="_new">BE-Hive GitHub</a></td><td data-col-size="sm" data-end="5642" data-start="5627" style="width: 16.6826%;">Base Editing</td><td data-col-size="lg" data-end="5731" data-start="5642" style="width: 55.6482%;">ML-Modell zur Vorhersage von Base-Editing-Ergebnissen, Bystander-Edits und Effizienz.</td></tr><tr data-end="5917" data-start="5732"><td data-col-size="sm" data-end="5741" data-start="5732" style="width: 6.55386%;">**17**</td><td data-col-size="sm" data-end="5757" data-start="5741" style="width: 12.9878%;">**DeepPrime**</td><td data-col-size="sm" data-end="5816" data-start="5757" style="width: 8.10375%;">[DeepPrime GitHub](https://github.com/yumin-c/DeepPrime?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="5832" data-start="5816" style="width: 16.6826%;">Prime Editing</td><td data-col-size="lg" data-end="5917" data-start="5832" style="width: 55.6482%;">Deep-Learning-Werkzeug zur Vorhersage der Effizienz von prime-editing guide RNAs.</td></tr><tr data-end="6103" data-start="5918"><td data-col-size="sm" data-end="5927" data-start="5918" style="width: 6.55386%;">**18**</td><td data-col-size="sm" data-end="5952" data-start="5927" style="width: 12.9878%;">**PRIDICT / PRIDICT2**</td><td data-col-size="sm" data-end="6012" data-start="5952" style="width: 8.10375%;">[PRIDICT GitHub](https://github.com/uzh-dqbm-cmi/PRIDICT?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="6028" data-start="6012" style="width: 16.6826%;">Prime Editing</td><td data-col-size="lg" data-end="6103" data-start="6028" style="width: 55.6482%;">Modelle zur Vorhersage von Prime-Editing-Effizienz und Produktreinheit.</td></tr></tbody></table>

</div></div>

# Bildanalyse und Mikroskopie

**Tabelle 3: Bildanalyse &amp; Mikroskopie** (KI generiert)

<div class="group TyagGW_tableContainer" id="bkmrk-rang-ki-werkzeug-lin"><div class="TyagGW_tableWrapper flex flex-col-reverse w-fit" tabindex="-1"><table class="w-fit min-w-(--thread-content-width)" data-end="7278" data-is-last-node="" data-is-only-node="" data-start="6148" style="width: 100%;"><thead data-end="6213" data-start="6148"><tr data-end="6213" data-start="6148"><th class="last:pe-10" data-col-size="sm" data-end="6155" data-start="6148" style="width: 6.19638%;">Rang</th><th class="last:pe-10" data-col-size="sm" data-end="6169" data-start="6155" style="width: 10.4848%;">KI-Werkzeug</th><th class="last:pe-10" data-col-size="sm" data-end="6176" data-start="6169" style="width: 11.7983%;">Link</th><th class="last:pe-10" data-col-size="sm" data-end="6193" data-start="6176" style="width: 16.2059%;">Hauptanwendung</th><th class="last:pe-10" data-col-size="lg" data-end="6213" data-start="6193" style="width: 55.2908%;">Kurzbeschreibung</th></tr></thead><tbody data-end="7278" data-is-last-node="" data-start="6237"><tr data-end="6472" data-start="6237"><td data-col-size="sm" data-end="6245" data-start="6237" style="width: 6.19638%;">**1**</td><td data-col-size="sm" data-end="6259" data-start="6245" style="width: 10.4848%;">**nnU-Net**</td><td data-col-size="sm" data-end="6314" data-start="6259" style="width: 11.7983%;">[nnU-Net GitHub](https://github.com/MIC-DKFZ/nnUNet?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="6347" data-start="6314" style="width: 16.2059%;">Medizinische Bildsegmentierung</td><td data-col-size="lg" data-end="6472" data-start="6347" style="width: 55.2908%;">Sehr starkes Framework für 2D- und 3D-Segmentierung in der medizinischen Bildgebung. Häufig als Referenzstandard genutzt.</td></tr><tr data-end="6668" data-start="6473"><td data-col-size="sm" data-end="6481" data-start="6473" style="width: 6.19638%;">**2**</td><td data-col-size="sm" data-end="6493" data-start="6481" style="width: 10.4848%;">**MONAI**</td><td data-col-size="sm" data-end="6537" data-start="6493" style="width: 11.7983%;">[MONAI](https://project-monai.github.io/?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="6558" data-start="6537" style="width: 16.2059%;">Medical Imaging AI</td><td data-col-size="lg" data-end="6668" data-start="6558" style="width: 55.2908%;">PyTorch-basiertes Open-Source-Ökosystem für Training, Validierung und Deployment medizinischer KI-Modelle.</td></tr><tr data-end="6859" data-start="6669"><td data-col-size="sm" data-end="6677" data-start="6669" style="width: 6.19638%;">**3**</td><td data-col-size="sm" data-end="6692" data-start="6677" style="width: 10.4848%;">**Cellpose**</td><td data-col-size="sm" data-end="6732" data-start="6692" style="width: 11.7983%;">[Cellpose](https://www.cellpose.org/?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="6765" data-start="6732" style="width: 16.2059%;">Zell- und Nukleussegmentierung</td><td data-col-size="lg" data-end="6859" data-start="6765" style="width: 55.2908%;">Sehr beliebt für Mikroskopiebilder, Zellzählung, Zellmorphologie und High-Content-Imaging.</td></tr><tr data-end="7090" data-start="6860"><td data-col-size="sm" data-end="6868" data-start="6860" style="width: 6.19638%;">**4**</td><td data-col-size="sm" data-end="6891" data-start="6868" style="width: 10.4848%;">**TotalSegmentator**</td><td data-col-size="sm" data-end="6965" data-start="6891" style="width: 11.7983%;">[TotalSegmentator GitHub](https://github.com/wasserth/TotalSegmentator?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="6993" data-start="6965" style="width: 16.2059%;">Anatomische Segmentierung</td><td data-col-size="lg" data-end="7090" data-start="6993" style="width: 55.2908%;">Automatische Segmentierung zahlreicher anatomischer Strukturen in CT- und teilweise MR-Daten.</td></tr><tr data-end="7278" data-is-last-node="" data-start="7091"><td data-col-size="sm" data-end="7099" data-start="7091" style="width: 6.19638%;">**5**</td><td data-col-size="sm" data-end="7114" data-start="7099" style="width: 10.4848%;">**StarDist**</td><td data-col-size="sm" data-end="7172" data-start="7114" style="width: 11.7983%;">[StarDist GitHub](https://github.com/stardist/stardist?utm_source=chatgpt.com)</td><td data-col-size="sm" data-end="7196" data-start="7172" style="width: 16.2059%;">Zellkernsegmentierung</td><td data-col-size="lg" data-end="7278" data-is-last-node="" data-start="7196" style="width: 55.2908%;">Besonders stark für dicht gepackte Zellkerne, Histologie und Bioimage-Analyse.</td></tr></tbody></table>

</div></div>

# Erstellung von Förder- und Ethikanträgen

(diese Inhalt ist KI-generiert)

**Dimensions** ist eine sehr mächtige Forschungsinformations- und Analyseplattform von Digital Science. Sie verbindet wissenschaftliche Publikationen mit Zitationen, Datensätzen, Förderungen, Patenten, klinischen Studien und Policy-Dokumenten. Für Förderanträge ist Dimensions besonders nützlich, um den Stand der Forschung, relevante Autor\*innen, Institutionen, Förderhistorien, Forschungsfelder, Zitationswirkung und mögliche Anwendungs- oder Innovationsbezüge sichtbar zu machen.

Für Ethikanträge kann es bei der Evidenzlage, bei vergleichbaren Studien, klinischen Studien und Risiko-Nutzen-Begründungen unterstützen. Die eigentliche ethische Bewertung ersetzt es nicht. Dimensions beschreibt die Plattform selbst als verknüpfte Research-Information-Plattform für Grants, Publikationen, Zitationen, Datensätze, klinische Studien, Patente und Policy-Dokumente. ([Dimensions AI | The most advanced scientific research database](https://www.dimensions.ai/))

**Kostenlose Grundversion vs. Bezahlversion**

<table id="bkmrk-version-was-sie-kann" style="width: 100%; height: 301.6px;"><thead><tr style="height: 29.6px;"><th style="width: 11.6762%; height: 29.6px;">Version</th><th style="width: 53.2666%; height: 29.6px;">Was sie kann</th><th style="width: 35.0334%; height: 29.6px;">Grenzen</th></tr></thead><tbody><tr style="height: 136px;"><td style="width: 11.6762%; height: 136px;">Dimensions Free</td><td style="width: 53.2666%; height: 136px;">Kostenlose Nutzung für persönliche, nicht-kommerzielle Zwecke. Enthält insbesondere Publikationen, Zitationen und Datensätze mit Kontextinformationen. Laut Dimensions können in der Free-Version vor allem Publications und Datasets durchsucht werden. Zusätzlich werden verknüpfte Kontextinformationen angezeigt, etwa Bezüge zu Förderungen, klinischen Studien, Patenten oder Policy-Dokumenten. </td><td style="width: 35.0334%; height: 136px;">Nicht alle Datenquellen sind direkt durchsuchbar. Die Exportgrenze liegt laut Dimensions bei 500 Datensätzen. Institutionelle Funktionen wie IP-Zugang, SSO, umfangreiche Exporte und API-Zugriff fehlen. </td></tr><tr style="height: 136px;"><td style="width: 11.6762%; height: 136px;">Dimensions Analytics / Bezahlversion</td><td style="width: 53.2666%; height: 136px;">Zugriff auf den gesamten Datenbestand: Publikationen, Datensätze, Grants, Patente, klinische Studien und Policy-Dokumente. Zusätzlich gibt es Analysefunktionen, größere Exportmöglichkeiten, institutionellen Zugang über IP, Proxy oder Single Sign-on sowie API-Optionen. Die Exportgrenze liegt je nach Lizenz laut Dimensions bei 5.000 bis 50.000 Datensätzen. </td><td style="width: 35.0334%; height: 136px;">Kostenpflichtige Organisationslizenz; Preise werden nicht allgemein als fixer Tarif veröffentlicht, sondern über Demo-/Angebotsanfrage. Einzelne API-, BigQuery-, Dashboard- oder Spezialmodule können zusätzlich lizenzabhängig sein. </td></tr></tbody></table>

**Vergleichsprodukte anderer Anbieter**

<table id="bkmrk-produkt-anbieter-st%C3%A4" style="width: 100%;"><thead><tr><th style="width: 15.2526%;">Produkt</th><th style="width: 12.2727%;">Anbieter</th><th style="width: 47.5462%;">Stärken im Vergleich zu Dimensions</th><th style="width: 24.9047%;">Typische Einschränkung</th></tr></thead><tbody><tr><td style="width: 15.2526%;">**Scopus / Scopus AI / SciVal**</td><td style="width: 12.2727%;">Elsevier</td><td style="width: 47.5462%;">Sehr stark bei kuratierter Literatur- und Zitationsanalyse. Scopus AI bietet referenzierte KI-Zusammenfassungen, Concept Maps, Foundational Documents, Emerging Themes und Deep-Research-Funktionen; SciVal ist stark für institutionelle Forschungsanalyse, Benchmarking und Funding Analytics. ([www.elsevier.com](https://www.elsevier.com/products/scopus/scopus-ai "Scopus with AI | Elsevier"))</td><td style="width: 24.9047%;">Meist institutionell kostenpflichtig; weniger offen als OpenAlex oder Lens.</td></tr><tr><td style="width: 15.2526%;">**Web of Science / Web of Science Research Assistant / InCites / Pivot-RP**</td><td style="width: 12.2727%;">Clarivate</td><td style="width: 47.5462%;">Sehr stark bei kuratierter Literatur-, Zitations- und Forschungsleistungsanalyse. Web of Science Research Assistant bietet KI-gestützte Such- und Analyseworkflows; InCites dient dem Benchmarking; Pivot-RP ist besonders relevant für aktuelle Fördermöglichkeiten und Researcher Matching. ([Clarivate](https://clarivate.com/academia-government/scientific-and-academic-research/research-discovery-and-referencing/web-of-science/web-of-science-research-assistant/?campaignid=00ODo000002D8VcMAK&campaignname=WoS_RA_LeadGen_AG_APAC_Korea_2024&utm_source=chatgpt.com "Web of Science AI Research Assistant | Clarivate"))</td><td style="width: 24.9047%;">In der Regel kostenpflichtige institutionelle Produkte.</td></tr><tr><td style="width: 15.2526%;">**OpenAlex**</td><td style="width: 12.2727%;">OurResearch</td><td style="width: 47.5462%;">Frei und offen. Sehr gut für offene bibliometrische Analysen, Publikationen, Autor\*innen, Institutionen, Themen, Grants und Zitationsnetzwerke. OpenAlex beschreibt sich als vollständig offener Katalog des globalen Forschungssystems. ([OpenAlex](https://openalex.org/?v2=true&utm_source=chatgpt.com "OpenAlex: The open catalog to the global research system | OpenAlex"))</td><td style="width: 24.9047%;">Weniger komfortabel als kommerzielle Dashboards; für viele Analysen braucht man API-/Datenkompetenz.</td></tr><tr><td style="width: 15.2526%;">**The Lens**</td><td style="width: 12.2727%;">Cambia / Lens</td><td style="width: 47.5462%;">Stark bei der Verbindung von wissenschaftlicher Literatur und Patenten. The Lens ermöglicht die Suche in über 200 Mio. wissenschaftlichen Datensätzen und zeigt Verbindungen zwischen scholarly works und Patentdaten. ([support.lens.org](https://support.lens.org/knowledge-base/scholarly-works-search/ "Scholarly Works Search – The Lens"))</td><td style="width: 24.9047%;">Für institutionelle strategische Analysen weniger rund als Dimensions, SciVal oder InCites; API-/Pro-Funktionen können eingeschränkt sein.</td></tr><tr><td style="width: 15.2526%;">**CORDIS &amp; EU Funding &amp; Tenders Portal**</td><td style="width: 12.2727%;">Europäische Kommission</td><td style="width: 47.5462%;">Offizielle kostenlose Quelle für EU-geförderte Projekte, Ergebnisse, Deliverables, Publikationen sowie offene EU-Förder- und Ausschreibungsmöglichkeiten. Besonders wichtig für Horizon-Europe-Kontext und EU-Anträge. ([cordis.europa.eu](https://www.cordis.europa.eu/?utm_source=chatgpt.com "CORDIS | European Commission"))</td><td style="width: 24.9047%;">Kein allgemeines globales Research-Intelligence-System; Fokus liegt auf EU-Förderung und EU-Projekten.</td></tr></tbody></table>

**Kurzfazit:**  
Für eine kostenlose Einstiegslösung ist Dimensions Free sehr hilfreich, aber bei Grants, Patenten, klinischen Studien und Policy-Dokumenten eingeschränkt. Für professionelle Förderstrategie ist Dimensions Analytics deutlich leistungsfähiger. Als Alternativen sind Scopus/SciVal und Web of Science/InCites/Pivot-RP die wichtigsten kommerziellen Vergleichsprodukte; OpenAlex, The Lens und CORDIS sind besonders relevante freie bzw. offene Ergänzungen.

**Hinweis für Ethikanträge:**

Diese Werkzeuge sollten nur zur Strukturierung, Formulierung und Plausibilitätsprüfung eingesetzt werden. Die ethische Bewertung, Risiko-Nutzen-Abwägung, Datenschutzprüfung, Einwilligungsfähigkeit, Studienverantwortung und finale Antragseinreichung müssen bei den verantwortlichen Forschenden und den zuständigen universitären bzw. behördlichen Stellen bleiben. Sensible, personenbezogene, vertrauliche oder noch nicht publizierte Projektdaten sollten nur in institutionell freigegebenen Systemen verarbeitet werden.