Laborautomatisierung & selbstfahrende Labore

Die experimentelle F&E ist dadurch begrenzt, wie viele gut gewählte Experimente ein Team durchführen und auswerten kann. Ein selbstfahrendes Labor (Self-Driving Laboratory, SDL) schließt den Regelkreis: Ein Algorithmus (typischerweise Bayes'sche Optimierung, zunehmend ein LLM-Agent darüber) schlägt die nächsten Experimente vor, Pipettierautomaten und Roboter führen sie aus, Instrumente messen, und das Ergebnis aktualisiert das Modell. Der Nutzen sind weniger Experimente bis zum Ziel, Betrieb rund um die Uhr sowie vollständige, reproduzierbare Daten. Die meisten realen Einsätze sind Teillösungen: automatisierte Arbeitszellen mit KI-gestütztem Versuchsdesign, keine vollständig autonomen Labore.

Problem & Nutzen

• Heute: Wissenschaftler entwerfen Experimente nach Intuition oder klassischer Versuchsplanung (Design of Experiments, DoE), pipettieren oder programmieren Roboter von Hand, übertragen Daten zwischen Instrumenten, ELN und Tabellen und entscheiden über die nächste Runde erst Tage später. Protokolle liegen in uneinheitlicher Herstellersoftware; Metadaten gehen oft verloren.
• KI-Nutzen: stichprobeneffiziente Suche in großen Parameterräumen, automatische Protokollerzeugung, durchgehender Betrieb und strukturierte Herkunftsnachweise, die Daten für das Modelltraining wiederverwendbar machen (siehe SCI-003, SCI-014).
• Belege: Ein Übersichtsartikel von 2026 in Nature Reviews Chemistry beschreibt Geschichte und Stand von SDLs und betont, dass sich die Autonomiegrade stark unterscheiden [1]. Fachquellen merken an, dass „selbstfahrend“ von Anbietern locker verwendet wird, und veröffentlichte Beschleunigungen stammen meist aus eng umrissenen, klar definierten Optimierungsaufgaben; behandeln Sie Herstellerangaben daher als unbestätigt, bis sie an Ihrer eigenen Chemie nachvollzogen wurden.

Varianten

• Arbeitszelle mit Optimierung im geschlossenen Regelkreis: ein Prozess (Reaktionsbedingungen, Formulierung, Medien, Proteinexpression) wird per Bayes'scher Optimierung optimiert; die häufigste und ausgereifteste Variante.
• Modulares SDL mit mehreren Instrumenten: mobile Roboter oder Schienensysteme bewegen Proben zwischen Synthese-, Analyse- und Charakterisierungsstationen (Materialien, organische Synthese).
• Cloud-Labor / Remote-Labor: Experimente werden in Code oder einer Web-Oberfläche spezifiziert und in der Anlage eines Anbieters ausgeführt (z. B. Emerald Cloud Lab) [4].
• Biologie und Pharma: Hochdurchsatz-Screening, Assay-Entwicklung, Zellkultur und Stammentwicklung mit Pipettierplattformen.
• Privatnutzung: nicht anwendbar.

So funktioniert es

1. Ziel + Randbedingungen + Suchraum
2. Experimentplaner (Bayes'sche Optimierung / Active Learning / LLM-Agent)
3. Protokoll-Compiler (JSON/XML-Arbeitsliste
4. Roboter- und Instrumententreiber)
5. Scheduler & Orchestrator (Ressourcen, Zeitplanung, Fehlerbehandlung)
6. Ausführung (Pipettierautomat, Syntheseroboter, mobiler Roboter, Instrumente)
7. Analyse (Peak-Integration, Spektreninterpretation, Bild-/Vision-QC)
8. Datenschicht (ELN/LIMS, Herkunft, FAIR-Metadaten)
9. Modellaktualisierung
10. nächster Satz von Experimenten

• Planer: Gauß-Prozess- oder neuronale Surrogatmodelle mit Akquisitionsfunktionen, Mehrziel- und Batch-Varianten, optional mit Startwerten aus der Literatur oder aus Priors von Foundation Models. LLM-Agenten übersetzen Ziele in natürlicher Sprache in Protokolle und Code und rufen Planer- und Instrumentenwerkzeuge auf.
• Orchestrierung: Eine Instrumenten-Abstraktionsschicht (SiLA 2, OPC UA LADS, Hersteller-APIs) und ein Scheduler bewältigen die Heterogenität der Geräte, parallele Läufe und die Wiederherstellung nach fehlgeschlagenen Schritten.
• Analyse in der Schleife: Automatisierte Auslesungen müssen vertrauenswürdig sein, ohne dass eine Person hinsieht; nutzen Sie QC-Prüfungen, Kontrollen und Replikat-Vertiefungen (Wells).
• Mensch-in-der-Schleife (Human-in-the-Loop): Wissenschaftler legen Zielgröße, sichere Parametergrenzen und Gefahrenregeln fest, genehmigen neue Protokollklassen und Reagenzien und prüfen Auffälligkeiten und Ergebnisse vor Entscheidungen mit Folgen. Harte Sicherheitsverriegelungen werden in Hardware und SPS-Logik umgesetzt, nie allein in der KI-Schicht.

Datenaufbereitung

Benötigte Daten: historische Experimente mit Parametern und Ergebnissen, Instrumenten- und Gerätebeschreibungen, Protokolle und Live-Messungen. Typischerweise liegen sie in ELN-/LIMS-Systemen, auf Instrumenten-PCs in Herstellerformaten, in Excel-Tabellen, auf Dateiablagen und in Papier-Laborbüchern.

Typische Lücken: Protokolle in Freitext, nicht erfasste Parameter, fehlgeschlagene Läufe nie protokolliert, uneinheitliche Einheiten und Proben-IDs, herstellergebundene Formate und keine maschinenlesbare Instrumentenschnittstelle.

Aufbereitungsschritte: 1. Reifegrad bewerten und abbilden, welche Daten den Optimierer speisen (PREP-001, GUIDE-003). 2. Papier-Laborbücher und Protokollhefte an der Quelle digitalisieren (PREP-008, PREP-006). 3. Ein Schema für Experimente, Einheiten und Proben-IDs festlegen; frühere Ergebnisse bereinigen (PREP-011, PREP-019). 4. Instrumente über APIs/SiLA 2 zugänglich machen und aus ELN/LIMS exportieren (PREP-005). 5. Fehlschläge und Metadaten für eine FAIR-Herkunft festhalten.

Werkzeuge: ELN-/LIMS-Exporte, OME-/Standardformate, Python-Datenpipelines.

Aufwandsanteil: etwa 40-60 Prozent, zuzüglich Hardware-Integration.

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg B, weil sich die Planungs- und Datenschicht in vorhandene ELN/LIMS, Instrumente und Arbeitszellen integrieren muss und kein einzelnes Produkt dies abdeckt.
• Developer: Weg C, weil offene Werkzeuge (BoTorch/Ax, SiLA 2, Workflow-Engines) volle Kontrolle über den geschlossenen Regelkreis geben.
• Öffentlicher Sektor: Weg C, weil Forschungsinstitute offene, reproduzierbare, FAIR-konforme Stacks und souveränes Hosting brauchen.

Weg A — Kaufen (Standardsoftware; gut für Hardware und eine erste Arbeitsstation)

• Integrierte Plattformen: Chemspeed (Schweiz; gab mit SciY/Bruker auf der SLAS 2026 eine offene SDL-Plattform bekannt, die herstellerunabhängige Automatisierung, Laborverwaltungssoftware und KI-Orchestrierung verbindet) [2]; Automata (UK, LINQ-Orchestrierungsplattform für Labore mit mehreren Herstellern); Hamilton (CH), Tecan (CH), Beckman Coulter (Danaher), Opentrons, Formulatrix (Pipettierung und Arbeitsstationen); HighRes Biosolutions und Biosero (BioNova) für die Integration von Arbeitszellen.
• Laborinformatik: LIMS-/ELN-Anbieter wie Benchling, Genedata (CH; Screening und Bioprozess), Scispot, Labguru, LabVantage, LabWare und Sapio. EU-Hosting und offene APIs prüfen.
• Cloud-Labore: Emerald Cloud Lab für die Ausführung aus der Ferne [4].
• A wählen, wenn: Sie kein Automatisierungsteam haben; mit einer automatisierten Arbeitsstation und Software mit APIs beginnen und die Planungsschicht darüber ergänzen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Planer: Open-Source-Bibliotheken für Bayes'sche Optimierung (BoTorch/Ax) [3] als Kern nutzen; ein Reasoning-LLM (Claude, Gemini, GPT oder Mistral als EU-Anbieter) über strukturierte Werkzeugaufrufe für Protokollentwurf, Erklärung von Auffälligkeiten und Literatursuche ergänzen. Mit Endpunkten in EU-Regionen betreiben.
• Orchestrierung: Prefect, Dagster, Temporal oder n8n für Arbeitsabläufe; SiLA 2 oder Hersteller-SDKs für Geräte.
• B wählen, wenn: Sie bereits Automatisierungshardware besitzen und eine eigene Planungs- und Datenschicht brauchen.

Weg C — Selbst betreiben (Open Source)

• Optimierung und Active Learning: BoTorch/Ax, Atlas, Summit, scikit-optimize, Optuna; chemiespezifische Werkzeuge wie ChemOS und ChemSpyd. Laborsteuerung: SiLA-2-Referenzimplementierungen, PyLabRobot (Pipettier- automaten), Opentrons-API, OpenTrons/Jubilee-Open-Hardware.
• Sprachschicht: Open-Weight-Modelle (Qwen, Llama, Mistral, gpt-oss-Familien), mit vLLM bereitgestellt, für Protokollerzeugung und Log-Analyse; wissenschaftliche Foundation Models als Priors (siehe SCI-003, SCI-018).
• Hardware: HW1 genügt für klassische Bayes'sche Optimierung und Instrumentensteuerung; HW2/HW3 für lokale LLM-Agenten und Bildmodelle. Die Laborhardware bestimmt die Kosten, nicht die Rechenleistung.

Weg D — Eigenes Training

Lohnt sich, wenn Sie eine lang laufende, wiederholte Versuchskampagne in einer Domäne betreiben: Domänen- Surrogate auf der eigenen Versuchshistorie trainieren, Bildmodelle zur Erkennung von Flüssigkeits- und Kristallzuständen ergänzen oder ein LLM auf Ihrem Protokollkorpus feintunen. Erfordert hunderte bis tausende gut annotierte Läufe einschließlich negativer Ergebnisse.

Stand der Technik (2026)

• Algorithmen: Batch-, Mehrziel- und beschränkte Bayes'sche Optimierung mit gemischten (kategorialen und kontinuierlichen) Räumen ist Standard; Transfer Learning über Kampagnen hinweg ist aktives Forschungsfeld.
• Agenten: LLM-Agenten, die Literatur lesen, Protokolle schreiben und Instrumenten-APIs bedienen, sind inzwischen in akademischen und Start-up-Systemen demonstriert; die Finanzierung für „KI-Wissenschaftsfabriken“ wie Lila Sciences und Periodic Labs ist groß, doch unabhängige, begutachtete Benchmarks für durchgängige Autonomie bleiben selten.
• Interoperabilität: SiLA 2 (SiLA-Konsortium) und OPC UA LADS nähern sich als Standards für Laborgeräte an; Orchestrierungsschichten der Hersteller bewegen sich auf offene Grundgerüste zu [2].
• Grenzen und Fehlerbilder: Zuverlässigkeit der Roboter und Kalibrierdrift; spärliche, verrauschte, verzerrte Daten (Publikationsverzerrung, fehlende Fehlläufe); durch Messartefakte in die Irre geführte Surrogatmodelle; Reward Hacking, wenn die Zielgröße Kosten, Sicherheit oder Reproduzierbarkeit auslässt; von LLMs halluzinierte Protokollschritte oder Einheitenfehler; enge Verallgemeinerung, da jede neue Chemie neue Hardware und Analytik braucht. Kapitalkosten und Integrationsaufwand sind die eigentlichen Engpässe.

Gemeinsame Bausteine & Kombinationen

• Vorgelagertes Design: SCI-002 (Wirkstoffkandidaten), SCI-003 (Materialien), SCI-004 (Retrosynthese), SCI-014 (Formulierung) schlagen Kandidaten vor, die ein SDL experimentell prüft.
• Analyse: SCI-018 (Spektreninterpretation), SCI-008 (Mikroskopie und Bildanalyse).
• Agentische Schicht: SCI-011 (KI-Wissenschaftler-Agenten) für die Hypothesenerzeugung; ROBO-003 und ROBO-010 für Roboter- programmierung und Simulation.
• Gemeinsamer Stack: optimization-solver, tabular-ml, agent-framework und workflow-automation sind wiederverwendbar; ein einzelner HW1-/HW2-Server kann Planer, Orchestrierung und LLM für mehrere Arbeitszellen betreiben.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-12 Monate bis zu einer produktiven Arbeitszelle; Hardware von einigen zehntausend Euro für einen Pipettierautomaten bis zu siebenstelligen Summen für Plattformen mit mehreren Instrumenten (Herstellerangebote erforderlich).
• Weg B/C: 6-18 Monate für einen eigenen geschlossenen Regelkreis, mit einem Team aus Automatisierungsingenieur, Data Scientist und Fachwissenschaftlern. Kostentreiber: Hardware, Integration, Verbrauchsmaterial, Wartung, Validierung.
• Kennzahlen: Experimente bis zum Ziel gegenüber DoE-/manueller Ausgangsbasis, Verfügbarkeit und unbeaufsichtigte Stunden, Rate fehlgeschlagener Läufe, Kosten pro Datenpunkt, Zeit pro Design-Make-Test-Analyse-Zyklus, Anteil der Läufe mit vollständigen FAIR- Metadaten, Reproduzierbarkeit über Replikatläufe.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (die Investition ist groß), Labor- und F&E-Leitung, Laborassistenten und Wissenschaftler als tägliche Nutzer, IT und IT-Sicherheit für Instrumentennetze, Datenverantwortliche von ELN/LIMS, Recht/Compliance für GxP-, Sicherheits- und IP-Fragen.
• Betriebsrat: hängt davon ab. Laborroboter und Software, die protokollieren, welche Laborkraft was ausgeführt hat, können zur Überwachung von Verhalten und Leistung geeignet sein (§87(1) Nr. 6 BetrVG, BAG: objektive Eignung); veränderte Arbeitsabläufe lösen die Information nach §90(1) Nr. 3 aus. Siehe GUIDE-004. Öffentliche Forschung: Personalrat.
• Datenschutz: überwiegend keine personenbezogenen Daten; Anmeldungen des Personals und Audit-Trails sind personenbezogen. Die/den Datenschutzbeauftragte(n) einbinden und mit Cloud-Anbietern einen AVV abschließen (GUIDE-005).
• KI-Kompetenz: Nach Art. 4 der KI-Verordnung (AI Act) (seit 27. Juli 2026) müssen Arbeitgeber und Anbieter Maßnahmen ergreifen, um die KI-Kompetenz des Personals zu fördern; planen Sie eine kurze Schulung ein (siehe GUIDE-006).
• Pilot und Kommunikation: mit einer Arbeitsstation und einer Optimierungsaufgabe beginnen, sie parallel zur manuellen Arbeit laufen lassen und Laborassistenten in das Protokolldesign einbeziehen (GUIDE-009, GUIDE-008).
• Typische Bedenken: Arbeitsplatzverlust bei Laborassistenten (Antwort: Verlagerung auf Überwachung und Methodenentwicklung), Sicherheit unbeaufsichtigter Läufe.
• Menschliche Kontrolle: Wissenschaftler legen Ziele und Sicherheitsgrenzen fest, genehmigen neue Protokollklassen und können den Regelkreis jederzeit anhalten.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; die KI-Kompetenz (Art. 4) gilt dennoch. Kein Hochrisiko, es sei denn, das Ergebnis fließt in eine Entscheidung über ein reguliertes Produkt ein (z. B. Medizinprodukt oder Sicherheitskomponente); dann gelten die Produktregeln. Die Ausnahme für wissenschaftliche Forschung (Art. 2(6)) erfasst Systeme, die ausschließlich für die Forschung entwickelt wurden.
• DSGVO: normalerweise keine personenbezogenen Daten; Bedienerprotokolle und Cloud-Labor-Konten enthalten Daten des Personals; menschliche Proben oder patientenbezogenes Material lösen DSGVO und die Regeln der Ethikkommission aus.
• Maschinen und Sicherheit: Maschinenverordnung (EU) 2023/1230 für Roboter und Arbeitszellen, CE-Kennzeichnung, Risikobeurteilung, Verriegelungen, Regeln zum Umgang mit Chemikalien (CLP, REACH, Arbeitsstoffvorschriften am Arbeitsplatz).
• Dual-Use und Biosicherheit: Der autonome Entwurf und die Synthese gefährlicher Chemikalien oder Krankheitserreger ist ein Missbrauchsrisiko; wenden Sie Positivlisten für Reagenzien, geprüfte Sequenzen und Freigabestufen an und beachten Sie die Dual-Use- Exportkontrollregeln (Verordnung (EU) 2021/821).
• GxP: In der Pharmaindustrie gelten Datenintegrität (ALCOA+), Validierung computergestützter Systeme (EU-GMP-Annex 11, 21 CFR Part 11) und Audit-Trails für automatisierte Aufzeichnungen.
• Gegenmaßnahmen: fest verdrahtete Sicherheitsgrenzen, Simulation/Trockenlauf vor der Ausführung, versionierte Protokolle, vollständige Herkunft, unabhängige Überprüfung zentraler Befunde.

Erste Schritte

1. Ein klar umrissenes Optimierungsproblem wählen (3-10 Parameter, schnelle und quantitative Auslesung).
2. ELN/LIMS und Instrumentenschnittstellen prüfen; Daten zuerst maschinenlesbar und FAIR machen.
3. Eine Arbeitsstation durchgängig automatisieren und die Wiederholbarkeit ohne KI nachweisen.
4. Eine Bayes'sche Optimierungsschleife mit sicheren Grenzen ergänzen und mit DoE bei gleichem Budget vergleichen.
5. Einen LLM-Assistenten für den Protokollentwurf erst einführen, wenn die Schleife stabil ist, mit Freigabestufen.

Quellen

1. Nature Reviews Chemistry (2026) — The past, present and future of self-driving laboratories — https://www.nature.com/articles/s41570-026-00847-2
2. Bruker — Chemspeed and SciY announce self-driving laboratory platform (2026) — https://ir.bruker.com/press-releases/press-release-details/2026/Chemspeed-and-SciY-Announce-SelfDriving-Laboratory-Platform-Integrating-Automation-Analytics-and-AI-Orchestration/default.aspx
3. BoTorch — Bayesian optimization in PyTorch — https://botorch.org/
4. Emerald Cloud Lab — https://www.emeraldcloudlab.com/
5. SiLA consortium — SiLA 2 standard — https://sila-standard.com/
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj