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

Von Maximilian Naumow — Ich habe 2018 mit 23andMe angefangen und würde die Entscheidung heute anders treffen. 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.

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)