Ein KI-Agent kann einen Laborversuch planen und dafür sogar ausführbaren Code schreiben. Ob der Roboterarm eine Pipette tatsächlich in das vorgesehene Gefäß senken kann, weiß das Sprachmodell damit noch nicht. Google Research hat am 16. Oktober drei Forschungsarbeiten vorgestellt, die diese Lücke aus unterschiedlichen Richtungen angehen: ein System zur Prüfung von Laborbefehlen sowie Versuche, bei denen experimentelle Ergebnisse in die Suche nach bindenden DNA- und Proteinmolekülen zurückfließen. Von einem vollständig autonomen Forschungslabor ist dabei noch nicht die Rede. Google Research beschreibt Bausteine, die Menschen weiterhin beaufsichtigen.
Erst prüfen, dann ausführen
Das System VERID verbindet die Planung eines Agenten mit einem digitalen Abbild des aktuellen Laboraufbaus. Dieser Zwilling erfasst unter anderem die räumliche Anordnung der Geräte, Flüssigkeitsmengen in den Vertiefungen einer Laborplatte, verwendete Reagenzien und verfügbare Pipettenspitzen. VERID baut auf dem offenen Framework PyLabRobot auf. Bevor ein Befehl den Pipettierroboter erreicht, wird der geplante Ablauf simuliert und gegen diesen Zustand geprüft. Kamerabilder und Ausführungsprotokolle dokumentieren anschließend, was im Labor tatsächlich geschehen ist. Google Research erläutert die Architektur und mehrere Versuche damit.
Der Unterschied zu einer bloßen Syntaxprüfung ist handfest: Ein Befehl kann formal korrekt sein und trotzdem Flüssigkeit aus einem leeren Gefäß entnehmen wollen oder eine Mehrkanalpipette an eine Stelle führen, an der sie nicht hineinpasst. Laut Google hat VERID in Fallstudien solche Abläufe abgefangen. Bei einem anderen Versuch half der erhaltene Laborzustand dabei, nach einem Ausfall des Plattenlesers fortzufahren, ohne bereits ausgeführte Pipettierschritte zu wiederholen. Die Simulation soll also nicht nur Kollisionen vermeiden, sondern auch verhindern, dass der Agent mit einem falschen Bild des laufenden Experiments weiterarbeitet.
Wenn Messwerte die nächste Runde verändern
Wie wichtig echte Rückmeldungen sind, zeigt Googles zweite Arbeit an Aptameren. Das sind kurze DNA-Sequenzen, die an bestimmte Zielproteine binden können. Agenten entwarfen Kandidaten, die im Labor getestet wurden; die Ergebnisse flossen in die nächste Entwurfsrunde ein. In drei Runden untersuchte das Team zwei Zielproteine, Myoglobin und α-Thrombin. Nach Googles Angaben erreichten die bestätigten Trefferquoten für zielgerichtete Bindung zuletzt 33,5 beziehungsweise 42,1 Prozent. Die Werte beziehen sich auf diese Experimente, nicht auf eine allgemeine Erfolgsrate bei der Wirkstoffsuche. Google Research schildert die Versuchsreihe.
Gerade ein Fehlschlag erklärt den Nutzen des Kreislaufs. Beim Myoglobin-Versuch bevorzugte der Agent zwischenzeitlich DNA-Motive, die im Test zwar stark zu binden schienen, aber auch an andere Proteine und an die verwendeten Magnetkügelchen hafteten. Die Trefferquote nach Korrektur dieses Störeffekts sank in der zweiten Runde. Anschließend änderten die Agenten ihre Entwurfsregeln und berücksichtigten unspezifische Bindung stärker. Ohne diesen Labortest hätte eine rein rechnerische Bewertung die vermeintliche Verbesserung leicht für einen echten Fortschritt halten können.
Die dritte Arbeit betrifft neu entworfene Proteinbinder für das Protein FAP, das bei soliden Tumoren eine Rolle spielt. Hier verkürzte das Team die aufwendige Strukturvorhersage, indem es für einen Rechenschritt nur den örtlich relevanten Bindungsbereich des Zielproteins betrachtete. Google berichtet von einer 8,6-fachen Beschleunigung dieser Strukturvorhersage in seinem Versuchsaufbau und von Bindern mit Affinitäten im einstelligen Nanomolarbereich. Das ist ein Ergebnis der frühen Bindungsforschung, kein Nachweis für eine wirksame oder sichere Krebstherapie. Auch war dies ein Arbeitsablauf von Forschenden und Agenten, nicht bereits die vollständige Verbindung der Proteinversuche mit VERID: Google nennt genau diese Integration als nächsten Schritt. Google Research trennt die Projekte ausdrücklich.
Was daraus für die Praxis folgt
Für Entwickler von Forschungsagenten liegt die wichtigste Lehre weniger in einem einzelnen Modell als in der Kopplung von Planung und überprüfbarem Zustand. Ein Agent braucht vor einer physischen Aktion aktuelle Messwerte, eine Prüfung der möglichen Folgen und ein Protokoll, mit dem sich Fehler später rekonstruieren lassen. Wer Laborabläufe automatisiert, muss zudem Störeffekte im Experiment erkennen können: Ein hoher Messwert ist noch kein Beweis für die gewünschte biologische Wirkung.
Die Ergebnisse stammen aus ausgewählten Forschungsaufbauten; ob sich dieselben Abläufe auf andere Geräte, Moleküle und Labore übertragen lassen, ist damit nicht gezeigt. Google beschreibt außerdem menschliche Freigaben für entworfene Sequenzen und Protokolle, die Aufsicht über Roboterläufe sowie eine Biosecurity-Prüfung der Sequenzen. Das ist für die Einordnung entscheidend: Die Systeme nehmen Forschenden Teile der Suche und Ausführung ab, ersetzen aber weder die experimentelle Validierung noch die Verantwortung für sichere Versuche.
Fazit
Googles Arbeiten zeigen, wie KI-Agenten über den Bildschirm hinaus nützlich werden können: Sie planen Versuche, prüfen Schritte gegen den tatsächlichen Laborzustand und ändern ihre Vorschläge nach realen Messungen. Der interessante Fortschritt besteht gerade nicht darin, einem Sprachmodell freien Zugriff auf einen Roboter zu geben, sondern seine Vorschläge vor der Ausführung zu kontrollieren und seine Annahmen an Laborergebnissen zu messen.
Quellen
- Google Research, „Grounding AI agents in biological reality: Building blocks for autonomous wet labs“, 16. Oktober 2026: https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs/
- Die dort verlinkten Forschungsberichte: VERID (https://www.gstatic.com/science-ai/veridsemanticlab.pdf), Aptamer-Versuche (https://www.gstatic.com/science-ai/agenticaptamersandbox.pdf) und Proteinbinder (https://www.gstatic.com/science-ai/epitope_excision.pdf). Die im Text genannten Resultate und Einschränkungen sind gegen die Zusammenfassung von Google Research geprüft; die PDF-Berichte sind weiterführende Originaldokumente.