Genom auslesen und mit Claude/OpenClaw analysieren: Der ehrliche Guide 2026

Von Maximilian Naumow — Ich habe mich im Januar 2025 bei 23andMe genotypisieren lassen, rund zwei Monate vor dem Insolvenzantrag im März 2025. Dieser Guide ist die Version, die ich damals gebraucht hätte.

Key Findings

• SNP-Chip (23andMe/Ancestry) liest weniger als 0,1 % deines Genoms. Whole Genome Sequencing (WGS) mit 30× Coverage liest alle 3 Milliarden Basenpaare durchschnittlich 30-mal. Für AI-gestützte Analyse ist WGS 5-10× mehr Datenpunkte — das ist der eigentliche Hebel 2026.
• 23andMe existiert weiter, nach Chapter 11 im März 2025 von TTAM Research Institute für $305 Mio übernommen. Rohdaten-Export läuft normal. Wer alte 23andMe-Daten hat: jetzt exportieren, lokal sichern.
• WGS-Anbieter 2026 (Preise pro 30× Standard): Dante Labs (Italien) EUR 399 (Sales bis EUR 169) · DNA Complete (ex-Nebula) $495 · Sequencing.com $379. Range: $169-495.
• Genom-Rohdaten gehören NICHT in Cloud-LLMs. DSGVO Article-9-Daten, einzigartig identifizierbar. Für Analyse: lokale Datenbank + Claude-API mit strengen Retention-Settings, oder lokales LLM.
• Statistische Realität: Die meisten SNP-Effekte haben Odds Ratios 1,05-1,3. Für Einzel-Entscheidungen fast irrelevant. Ausnahme: monogene Varianten (BRCA, LDLR) und High-Impact-Pharmacogenomics (CYP2D6).
• LLMs halluzinieren bei Genom-Fragen exzessiv — ohne Grounding auf dbSNP/ClinVar/SNPedia sind Antworten unbrauchbar.

Warum das jetzt aktuell wird

Zwei Dinge sind 2025-2026 zusammen passiert:

1. 23andMe hat Chapter 11 gefiled (März 2025). Die Firma existiert weiter, aber die Zukunft ist Nonprofit-getrieben. Millionen von genetischen Rohdaten wechseln den Besitzer — ein guter Moment, um über eigene Datenhoheit nachzudenken.
2. Whole Genome Sequencing ist erschwinglich geworden. Was 2018 noch $10.000 kostete, gibt es 2026 für unter $500. Bei Flash-Sales sogar unter $200.

Das ist der Punkt, an dem “das eigene Genom kennen” nicht mehr ein Silicon-Valley-Luxus ist, sondern ein realistischer Bio-Baseline-Datensatz. Kombiniert mit einem lokalen Health-Data-Hub und AI-Interpretation entsteht etwas, das keine kommerzielle App liefert: strukturierte Genom-Queries gegen deinen eigenen Datensatz, ohne Cloud-Silo, ohne Provider-Interpretation.

Wichtig zur Abgrenzung: Hier wird das Erbgut nur gelesen, nicht verändert. Wer das Thema vor allem aus der Netflix-Serie „Biohackers“ kennt, findet im Biohackers-Faktencheck, was an CRISPR, Gen-Experimenten und DNA-Speichern in der Serie echt ist und was in Deutschland verboten ist.

SNP-Chip vs. WGS — der Unterschied ist dramatisch

Wenn du je 23andMe oder Ancestry gemacht hast: du hast einen SNP-Chip bekommen. Kein Genom, sondern eine Stichprobe.

Der Preis-Delta ist heute so klein, dass die Wahl offensichtlich ist: WGS oder gar nicht. Ein SNP-Chip 2026 ist wie eine 5-Megapixel-Kamera 2026 — technisch möglich, aber wozu?

Anbieter-Landschaft 2026

Wer heute anfängt, sollte auf WGS gehen. Konkrete Optionen:

Dante Labs (Italien, EU-basiert) 30× WGS für EUR 399 Standard. Flash-Sales 3-4× pro Jahr auf EUR 169. NovaSeq-X-Plattform (neuere Illumina-Chemie, höhere Q30-Scores als NovaSeq 6000). FASTQ, BAM und VCF im Kunden-Portal downloadbar. Für DACH-User pragmatisch: kein US-Import, EUR-Pricing, DSGVO-konform betrieben.

DNA Complete (ehemals Nebula Genomics) $495 für 30× WGS. Plus $99 für FASTQ-Zugriff (Standard-Package gibt nur VCF). Parent-Company ProPhase Labs Chapter 11 im September 2025 — Firma operiert weiter, aber Long-term-Zukunft unklar.

Sequencing.com $379 für 30× WGS plus Microarray. Zusätzlich Plattform mit Apps für Analyse. Interessant für “kein Setup, App macht alles”-Nutzer — aber Vendor-Lock-in.

23andMe / Ancestry (SNP-Chip) Wenn du bereits einen Account hast: Rohdaten downloaden, lokal sichern. Nicht neu kaufen 2026.

Selfdecode, MyHeritage, tellmeGen etc. Third-party-Analyse-Plattformen. Nutzen deine hochgeladenen Rohdaten. Vendor-Lock-in, monatliche Kosten. Nicht empfohlen für den Data-Sovereignty-Ansatz.

Der Datenhoheit-Punkt (den fast alle übersehen)

Genom-Daten sind eine besondere Kategorie:

• Einzigartig identifizierbar: Selbst 100 SNPs reichen, um dich unter allen Menschen der Welt eindeutig zu identifizieren.
• DSGVO Article 9: Höchste Schutzstufe für “besondere Kategorien personenbezogener Daten” (Gesundheit + Genetik).
• Nicht änderbar: Ein geleaktes Passwort kannst du ändern. Ein geleaktes Genom nicht.
• Familien-implikationen: Deine Rohdaten enthüllen partielle Genotype deiner Eltern, Geschwister, Kinder — auch wenn die nie einen Test gemacht haben.

Konsequenz für AI-Analyse: Genom-Rohdaten haben in ChatGPT, Claude-Web-UI oder anderen Cloud-LLMs mit “we may use your data for training”-Terms nichts verloren. Auch nicht ausschnittweise. Auch nicht “nur die interessanten SNPs”.

Der sichere Weg:

1. Rohdaten bleiben lokal — auf dem eigenen Rechner, in einer SQLite-DB oder direkt als VCF-Datei.
2. LLM-Interpretation über API mit zero-retention-Flag. Anthropic bietet das für Claude via API (Zero Data Retention für qualifizierte Nutzer). OpenAI hat ähnliche Optionen für Enterprise.
3. Idealerweise lokales LLM (Ollama mit Llama-4, LM Studio mit Mistral) — dann verlässt nichts deine Hardware.
4. Grounding auf offizielle Datenbanken: dbSNP, ClinVar, SNPedia mit expliziten Versions-Tags. Nicht das LLM aus dem Gedächtnis raten lassen.

Der praktische Workflow (2026)

Konkret, wie du 2026 dein Genom in ein sinnvolles AI-gestütztes Setup einbaust:

Schritt 1 — Rohdaten besorgen WGS bestellen (Dante Labs oder Vergleichbar). Nach ~4-6 Wochen bekommst du FASTQ + VCF-Files zum Download. Lokal sichern, verschlüsselt (LUKS auf Linux, FileVault auf macOS, VeraCrypt cross-platform).

Schritt 2 — Lokale Datenbank VCF-Datei in eine SQLite-DB parsen. Struktur minimal: chromosome, position, ref_allele, alt_allele, genotype, rs_id, zygosity. Ein Python-Script mit pyvcf oder cyvcf2 macht das in 20 Zeilen.

Schritt 3 — Interessante Loci auswählen Nicht alle 3 Millionen Varianten sind relevant. Für jeden Anwendungsfall gibt es Kern-Loci:

• Pharmacogenomics: CYP2D6, CYP2C19, CYP2C9, VKORC1 (Warfarin), TPMT
• Kraftsport: ACTN3 (rs1815739), ACE (rs4646994), MSTN
• Kognitive Marker: APOE (rs429358, rs7412), COMT (rs4680), BDNF (rs6265)
• Cardio: LPA (rs10455872), PCSK9, LDLR
• Methylierung: MTHFR (rs1801133, rs1801131), MTR, MTRR

Vorbelegte SNP-Listen für common categories: SNPedia, Promethease als kommerzielle Alternative, OpenSNP für Community-Ressourcen.

Schritt 4 — Grounding-Layer bauen Nicht das LLM aus dem Kopf antworten lassen. Bau eine simple Query-Pipeline:

• User-Frage → LLM identifiziert relevante SNPs
• Skript queryed die lokale SNP-DB nach deinen Genotypen
• Zweiter Skript-Call queryed ClinVar/SNPedia-Snapshot nach evidence
• LLM synthetisiert Antwort aus der Evidence, nicht aus Gedächtnis

Das ist mehr Aufwand als “einfach ChatGPT fragen”, aber es unterscheidet zwischen “informierte Interpretation” und “gefährliches Kaffeesatzlesen”.

Schritt 5 — In OpenClaw / biohub integrieren Wenn du bereits openclaw-biohub nutzt (mein self-hosted Health-Data-Hub), kannst du einen Genom-Adapter dazu bauen: neues Verzeichnis unter pipeline/adapters/genome/, VCF-Parser, snp_variants-Tabelle. Dann kann dein OpenClaw-Agent per SKILL.md deine SNPs querien und im Kontext deiner anderen Health-Daten interpretieren.

Der eigentliche Payoff: Verbinde Pharmacogenomics-SNPs mit deinen Supplement-Correlations. Wenn dein CYP2D6-Genotyp “poor metabolizer” ist und Ashwagandha bei dir keine Wirkung zeigt (siehe Supplement-Correlations im biohub-Setup): das ist ein Mechanismus, nicht Zufall.

Was du realistisch aus SNPs lernen kannst

Ehrliche Erwartungsbildung, sortiert nach Nutzen:

Hoher Nutzen (klare klinische Bedeutung):

• Monogene Krankheits-Varianten: BRCA1/2 (Brustkrebs), Familiäre Hypercholesterinämie (LDLR), HFE (Hämochromatose). Wenn eine pathogene Variante da ist, hat das klinische Konsequenz. Aber: hier zum Facharzt, nicht zum LLM.
• Pharmacogenomics mit High Impact: CYP2D6 poor metabolizers metabolisieren ~25 % aller verschreibungspflichtigen Medikamente anders. Klinisch relevant für Codein, Tramadol, SSRIs, Beta-Blocker, Tamoxifen.
• Nutrient Absorption: LCT (Laktase-Persistenz), HLA-DQ2/DQ8 (Zöliakie-Risiko), COL1A1 (Kollagen-Synthese).

Mittlerer Nutzen (informativ, nicht handlungsrelevant):

• Kraftsport-Marker: ACTN3 R/R sagt “eher fast-twitch dominant”. Aber Training überschreibt das massiv. Netto-Effekt für Trainingsplanung: minimal.
• APOE: e3/e4 heterozygot hat ~2× erhöhtes Alzheimer-Baseline-Risiko. Das ist real, aber Lifestyle-Faktoren (Schlaf, Bewegung, kardiovaskuläre Gesundheit) dominieren die Prognose deutlich.
• MTHFR C677T: Nicht der Bogeyman den TikTok daraus macht. Homozygot T/T = 30 % niedrigere Enzymaktivität. Konsequenz: Folat-reiche Ernährung oder methylierte Folat-Form supplementieren. Mehr nicht.

Niedriger Nutzen (statistisch messbar, praktisch belanglos):

• Die meisten common SNPs mit “erhöhtem Risiko für X” haben Odds Ratios von 1,05-1,3. Auf Populationsebene interessant, für dich als Einzelperson im Rauschen.
• Persönlichkeits-SNPs, “Warrior vs Worrier”-Genotypen, Extraversion-Marker: Effektgrößen so klein, dass Zufall wahrscheinlicher ist als Kausalität.

Nutzen Null oder negativ:

• “DNA-basierte Ernährungsempfehlungen” von kommerziellen Anbietern. Meta-Analysen zeigen keine besseren Outcomes als generische Empfehlungen.
• “Genetische Fitness-Programme”. Marketing, nicht Wissenschaft.
• “Genomische Persönlichkeitsanalyse”. Bullshit.

Was LLMs bei Genom-Fragen falsch machen

Aus praktischer Erfahrung (also nicht theoretisch): die häufigsten LLM-Halluzinationen bei Genom-Interpretation:

1. Falsch-invertierte Effekte: LLM behauptet “T-Allel schützt”, tatsächlich ist “T-Allel Risiko-Allel”. Passiert oft, weil primäre Literatur ambigue geschrieben ist.
2. Erfundene rs-IDs: LLM zitiert “rs1234567” der nicht existiert oder nichts mit dem behaupteten Gen zu tun hat.
3. Veraltete Zuordnungen: SNPs werden gelegentlich re-annotated, Studien werden retracted. LLMs bleiben auf altem Stand ohne es zu wissen.
4. Ausschluss von Multi-Locus-Effekten: LLM analysiert einen SNP isoliert, ignoriert dass 5 andere SNPs im gleichen Pathway den Effekt aufheben.
5. Übertragung von Populationsdaten auf Individuum: “Diese Variante ist mit +15 % Diabetes-Risiko assoziiert” heißt nicht “du hast +15 % Diabetes-Risiko”.

Diese Fehler sind vermeidbar mit einem Grounding-Layer (immer ClinVar/dbSNP-Snapshot als Ground-Truth), aber ohne den ist LLM-Genom-Interpretation gefährlich unzuverlässig.

Für wen sich das lohnt

Ja, wenn du:

• Chronische Medikation nimmst oder wahrscheinlich in Zukunft wirst (Pharmacogenomics-Nutzen ist real)
• Familien-Anamnese für monogene Krankheiten hast (BRCA, LDLR, HFE)
• Bereits einen QS-Datensatz betreibst und Genom als weiteren Layer willst
• Command-Line-Comfort hast und local-first schätzt

Nein, wenn du:

• “Was sagt mein Genom über meinen optimalen Lebensweg” erwartest — die Antwort ist “wenig, sehr wenig”
• Fitness- oder Ernährungsempfehlungen aus SNPs erwartest
• Nicht bereit bist, mit Odds Ratios und Confidence-Intervals umzugehen
• Die Vorstellung, dass ein Test dir sagt “was du bist”, spannend findet — das ist esoterik-nahe, nicht Wissenschaft

Fazit

Genom-Testing 2026 ist nicht mehr das Silicon-Valley-Statement-Kit von 2018. Für 200-400 Euro bekommst du Whole Genome Sequencing. Für keinen zusätzlichen Cent bekommst du LLM-Interpretation — wenn du bereit bist, den Grounding-Layer selber zu bauen.

Was NICHT funktioniert: Rohdaten in ChatGPT werfen und “was heißt das?” fragen. Was funktioniert: Rohdaten lokal halten, gegen ClinVar/SNPedia queryen, Claude oder ein lokales LLM als Synthesizer für die Evidence nutzen.

Der ehrliche Payoff ist kleiner als das Marketing verspricht — und größer als die Skeptiker sagen. Für Pharmacogenomics allein rechnet es sich schon bei einer einzigen “falscher-Antidepressiva-Wirkung”-Episode weniger. Für alles andere: erwarte nicht das Orakel, sondern einen zusätzlichen Datenpunkt.

Wer bereits einen Health-Data-Hub wie openclaw-biohub betreibt: ein Genom-Adapter ist der logische nächste Schritt. Dann sind SNPs nicht ein isolierter Trivia-Datensatz, sondern werden Teil deiner integrierten Health-Analyse.

Disclaimer: Keine medizinische Beratung. Genom-Interpretation für klinisch relevante Fragen (Erbkrankheiten, Medikamenten-Dosierung, Krebs-Risiko) gehört zum Humangenetiker oder Facharzt. Dieser Artikel beschreibt Selbst-Experiment-Frameworks und AI-Tooling, keine ärztliche Empfehlung. LLM-Output bei Genom-Fragen ist ohne primäre-Datenbank-Grounding unzuverlässig — nicht als Diagnose-Ersatz nutzen.

Stand: 16. Juli 2026 (Erst-Veröffentlichung)