Gerade ist AutoDNA aus dem KI-nativen Labor der Shanghai Jiao Tong University in Nature erschienen: Es koordiniert selbstständig mehr als 20 verschiedene Gerätetypen und hat über 11000 Schritte biologischer Experimente abgeschlossen.

Die Entwicklung eines AI-nativen Labors, das autonome wissenschaftliche Erkundungen mit minimalem menschlichem Eingriff ermöglicht, ist seit langem ein zentrales Ziel. Obwohl in den letzten Jahren stetig mehr autonome Experimentiersysteme entstanden sind, beschränken sie sich nach wie vor hauptsächlich auf Bereiche mit einheitlichen Zielen, klar definierten Abläufen und einfachen Geräten. Dies hängt teilweise mit der „additiven“ Architektur bestehender Systeme zusammen: KI wird in der Regel nur für bestimmte einzelne Aufgaben im Experiment eingesetzt, sodass es schwierig ist, ein umfassendes Verständnis für den gesamten Experimentierprozess zu entwickeln. Dieses Problem tritt besonders deutlich in Ingenieurszenarien mit mehreren Geräten, komplexen Abläufen und Mehrzieloptimierung auf.

Nun stellt das von einem Team der Shanghai Jiao Tong University und seinen Kooperationspartnern entwickelte AI-native Labor AutoDNA einen vielversprechenden Ansatz dar, um diese Einschränkung zu überwinden. Die zugehörige Forschungsarbeit wurde heute im renommierten Wissenschaftsjournal Nature veröffentlicht.

Link zur Forschungsarbeit: https://www.nature.com/articles/s41586-026-11228-6

Laut der Arbeit ist AutoDNA eine KI-native autonome Experimentierplattform für die biomolekulare Ingenieurwissenschaft, die Kernoperationen wie Nukleinsäuresynthese, Transkription, Amplifikation und Sequenzierung unterstützt. Sie kann mehr als 20 verschiedene Gerätetypen autonom koordinieren und über 11.000 Hardwareoperationen ausführen. In den in der Arbeit beschriebenen repräsentativen Anwendungen erreichte AutoDNA die Ausbeute der enzymatischen DNA-Synthese, die von menschlichen Experten optimiert wurde, verkürzte die Ausführungszeit paralleler Experimentierabläufe auf etwa ein Drittel der ursprünglichen Dauer, absolvierte einen vollständigen End-to-End-Datenspeicherzyklus für DNA und stellte die ursprünglichen digitalen Inhalte exakt wieder her, zudem identifizierte und validierte sie die KRAS-G13D-Mutation in einer klinischen Probe.

Das Forschungsteam ist der Ansicht, dass AutoDNA einen neuen Umsetzungsentwurf für „Science as a Service“ liefert, der biologische Entdeckungen beschleunigen und Anwendungen in Bereichen wie der Synthesebiologie und der Informationsspeicherung vorantreiben könnte.

In einem gleichzeitig veröffentlichten Kommentar in der Rubrik News & Views weist James Zou, außerordentlicher Professor für biomedizinische Datenwissenschaft an der Stanford University darauf hin, dass KI potenziell bioaktive Moleküle innerhalb weniger Minuten entwerfen kann, die experimentelle Validierung aber noch Wochen oder sogar Monate dauert und einen hohen personellen Aufwand erfordert.

Link zum News & Views-Artikel: https://www.nature.com/articles/d41586-026-03270-1

„Diese Arbeit zeigt, wie KI-Systeme beginnen, die Lücke zwischen der Entwicklung von Experimenten und ihrer tatsächlichen Durchführung zu schließen.“

Von additiver KI zum AI-nativen Labor

Um das Designkonzept von AutoDNA zu verstehen, muss man zuerst die aktuellen Einschränkungen autonomer Experimentierplattformen betrachten.

In den letzten Jahren hat die Kombination von Large Language Models (LLMs) mit automatisierter Hardware dazu geführt, dass Kernschritte wie Datenanalyse und Experimentierentscheidungen von Modellen übernommen werden können. Dennoch verwenden bestehende Plattformen in der Regel eine menschenzentrierte additive Architektur, bei der die KI auf getrennte, spezifische Aufgaben beschränkt ist. Die Gerätekonfiguration, die Definition von Experimentierabläufen und die Festlegung von Optimierungsregeln erfordern nach wie vor menschliches Eingreifen.

Abbildung | Bei der herkömmlichen additiven Architektur wird das KI-Modell als Werkzeug eingesetzt, der gesamte Experimentierprozess wird weiterhin von menschlichen Wissenschaftlern gesteuert

Dies weicht noch von der Vorstellung eines KI-Wissenschaftlers ab, die die Forscher verfolgen. In dem von ihnen beschriebenen idealen System müssen Nutzer ihre Experimentieranfragen nur in natürlicher Sprache formulieren, woraufhin modellbasierte Agenten autonom die Experimentplanung, Codegenerierung, Gerätesteuerung und iterative Optimierung abschließen und nicht fachkundigen Nutzern einen end-to-end Experimentierservice bereitstellen können.

Abbildung | Konzept des KI-Wissenschaftlers: Modellbasierte Agenten bearbeiten komplexe Experimente autonom und erzielen Ergebnisse auf dem Niveau menschlicher Experten

Um dieses Ziel zu erreichen, stellt die Komplexität biologischer Experimente selbst eine erhebliche Hürde dar.

Biologische Experimente beinhalten oft mehrere einander einschränkende Ziele, deren Optimierungsrichtungen einen riesigen und komplexen Suchraum bilden. Nehmen wir Temperatur, pH-Wert und Konzentration als Beispiel: Diese Variablen können sich gegenseitig beeinflussen, sodass es schwierig ist, alle Zusammenhänge durch manuell vordefinierte Abläufe vollständig abzudecken. Gleichzeitig sind biologische Labore in der Regel mit vielen verschiedenen Gerätetypen ausgestattet, sodass die Zusammenarbeit zwischen Geräten unterschiedlicher Hersteller und die Integration von Informationen sehr anspruchsvoll sind. Die Experimente selbst stellen zudem strenge Anforderungen an die Echtzeitausführung, die Stabilität der Umgebung und die Präzision der Bedienung.

Diese Eigenschaften bedeuten, dass autonome Experimentiersysteme gleichzeitig die Fähigkeit zum umfassenden Verständnis des gesamten Experimentierprozesses, zur Mehrzieloptimierung und zur Koordination verschiedener Hardwaregeräte besitzen müssen.

Der Kerngedanke von AutoDNA besteht darin, diese Fähigkeiten durch die kooperative Gestaltung von Modellen, Experimenten und Geräten in ein einziges End-to-End-Framework zu integrieren.

Konkret verwendet AutoDNA eine Multi-Agent-Architektur, bei der verschiedene Agenten jeweils für Literatursuche, Reagenzienverwaltung, Experimentierablaufplanung, Codegenerierung, Hardwaresteuerung und die Formulierung von Experimentierhypothesen zuständig sind, während ein zentraler Planner-Agent die gesamte Koordination übernimmt. Nachdem der Nutzer eine Anweisung in natürlicher Sprache gegeben hat, wählt und steuert der Planner-Agent je nach Aufgabenanforderung autonom verschiedene Agenten an, um den vollständigen Prozess von der Literatursuche, der Reagenzienauswahl und der Experimentplanung bis zur Codegenerierung, der Hardwareausführung und der Ergebnisanalyse schrittweise abzuschließen.

Abbildung | Die vorgestellte KI-native autonome Plattform AutoDNA verwendet eine Multi-Agent-Architektur

Dank dieser Architektur kann das System in komplexen Szenarien wie Nukleinsäurenachweis, enzymatischer de-novo-DNA-Synthese, DNA-Datenspeicherung und Krebserkennung ein umfassendes Verständnis für den Experimentierprozess entwickeln und einen von Modellen gesteuerten geschlossenen Kreislauf aus „Planung, Experiment, Optimierung“ aufbauen. Mithilfe der Schlussfolgerungsfähigkeit von LLMs kann AutoDNA den Plan kontinuierlich an die Rückmeldungen aus dem Experiment anpassen und Mehrzieloptimierungsstrategien in offenen Optimierungsdimensionen erkunden.

Die KI soll verschiedene Geräte verstehen und steuern

Nach Abschluss der Experimentplanung muss die KI das Experimentkonzept noch in Hardwareoperationen in der realen Welt umwandeln. Dies ist eine weitere zentrale Herausforderung für autonome Labore.

Verschiedene Geräte verfügen über eigene Steuerungsverfahren und Betriebsschnittstellen. Wenn der Agent direkt die Details der untersten Steuerungsebene jedes Geräts verarbeiten müsste, würde die Entwicklung und Erweiterung des Systems sehr komplex werden.

Aus diesem Grund führt AutoDNA eine für KI optimierte Hardware-Abstraktionsschicht ein. Das System kann Geräteanleitungen und Benutzerhandbücher auswerten, die Funktionen verschiedener Geräte zu einer Gruppe atomarer Dienste (atomic services) abstrahieren und diese in natürlicher Sprache beschreiben, sodass die Agenten sie verstehen und aufrufen können.

Beispielsweise können die Funktionen einer Pipette auf zwei grundlegende Dienste: Reagenzübertragung (transfer) und Mischen (mix) abstrahiert werden. Auf Basis dieser Abstraktionsschicht kann der Code-Agent autonom Gerätesteuerungscode generieren sowie Fehler erkennen und korrigieren; der Hardware-Agent verwaltet die Hardwareressourcen und sorgt für den koordinierten Betrieb verschiedener Gerätetypen.

Auf diese Weise kann AutoDNA mehr als 20 Gerätetypen koordinieren, über 11.000 Hardwareoperationen ausführen und eine Positionsgenauigkeit im Mikrometerbereich sowie eine Flüssigkeitsbedienpräzision im Mikroliterbereich erreichen.

Zum Problem der Schnittstellenkompatibilität zwischen verschiedenen Geräten hat James Zou in dem gleichzeitigen Kommentar einen beachtenswerten Standpunkt vorgebracht: Geräte verschiedener Hersteller verwenden möglicherweise unterschiedliche Programmierschnittstellen, sodass Automatisierungslösungen nur schwer von einem Labor auf ein anderes übertragen werden können. Seiner Ansicht nach müssen branchenweite Standardschnittstellen zwischen KI-Agenten und Geräten eingerichtet werden, sonst könnte jedes autonome Labor zu einem individuellen kundenspezifischen Ingenieurprojekt werden.

Neben den Hardware-Schnittstellen ist auch die Gewährleistung der zuverlässigen Ausführung des generierten Betriebscodes ein Problem, das autonome Labore lösen müssen.

Zou hebt besonders den Wert des digitalen Zwillings des Labors hervor. Seiner Ansicht nach kann der Agent den Experimentplan zuerst in einer Simulationsumgebung testen und verbessern, bevor er ihn in der realen Welt ausführt. Am Beispiel von AutoDNA: Das System führt zuerst den generierten Gerätecode in der Simulationsumgebung aus, verfolgt das Flüssigkeitsvolumen und prüft die Position von Experimentiergeräten sowie die Geräteeinstellungen. Der Kommentar weist darauf hin, dass die Simulationsumgebung in einem Experiment erfolgreich das Problem erkannt hat, dass der Code versucht hat, Fluoreszenzwerte auszulesen, bevor der Probenbehälter in das Gerät eingelegt wurde. Auf diese Weise kann der Agent potenzielle Fehler erkennen, bevor das kostspielige reale Experiment beginnt.

Nach der Lösung des Ausführungsproblems einzelner Experimente berücksichtigt AutoDNA zudem die Ressourcenverwaltung bei der parallelen Ausführung mehrerer Experimente.

Wenn mehrere Nutzer gleichzeitig mehrere Experimentpläne einreichen, kann das System basierend auf dem Echtzeitverfügbarkeitsstatus der Geräteressourcen dynamisch planen und die Ausführungsreihenfolge verschiedener Aufgaben koordinieren. Wenn ein Gerät bereits belegt ist, kann das System nach Ersatzgeräten mit gleicher Funktion suchen und den Steuerungscode entsprechend anpassen, sodass die Wartezeit verkürzt und die Auslastung der Geräte verbessert wird.

Auf diese Weise werden Modellentscheidungen, Experimentplanung, Hardwaresteuerung und Ressourcenplanung in ein einziges End-to-End-Framework integriert.

Repräsentative Anwendungen

Das Forschungsteam hat die Fähigkeiten von AutoDNA in verschiedenen Szenarien biologischer Experimente anhand der folgenden repräsentativen Anwendungen validiert.

Im Bereich des Nukleinsäurenachweises hat AutoDNA kommerzielle fluoreszenzbasierte isotherme Testkits verwendet, um das Virus der Afrikanischen Schweinepest nachzuweisen.

Im Experiment wurde zuerst Lyophilisat mit 42 Mikroliter Puffer aufgelöst, um eine Mischlösung herzustellen, anschließend wurden 5 Mikroliter Probe und 3 Mikroliter Aktivierungslösung hinzugefügt, um die Reaktion zu starten. Unmittelbar nach Beginn der Reaktion hat das System den anfänglichen Fluoreszenzwert aufgezeichnet, anschließend wurden 5 Nachweisdurchgänge durchgeführt, wobei jeder Durchgang zuerst 5 Minuten lang bei 39 °C inkubiert und dann der Fluoreszenzwert gemessen wurde. Die menschliche Kontrollgruppe hat denselben Betriebsablauf angewendet.

Bei der enzymatischen de-novo-DNA-Synthese hat AutoDNA seine autonome Fähigkeit zur Mehrzieloptimierung demonstriert.

Abbildung | Autonomer Ablauf zur Optimierung der enzymatischen DNA-Synthese mit AutoDNA

Dieses Experiment erfordert die gleichzeitige Optimierung der Ausbeute der DNA-Synthese und der Reaktionszeit. Angesichts des riesigen Parameter-Suchraums kann AutoDNA die Explorationsrichtung dynamisch an die Rückmeldungen aus dem Experiment anpassen und verschiedene Variablen wie Puffer, Tenside, Reaktionszeit und Reagenzienkonzentration ausprobieren, ohne dass der gesamte Suchraum von Menschen im Voraus definiert werden muss.

Nach mehreren Iterationen hat das System schließlich ein Experimentkonzept gefunden, das sowohl die Ausbeute als auch die Ausführungszeit berücksichtigt. Die durchschnittliche Ausbeute pro Syntheseschritt erreichte 97,8 %, was mit den veröffentlichten, von menschlichen Experten optimi