KI-Agenten führen 11.382-Schritte-Experiment durch – Menschen füllen nur Chemikalien nach

Worum es geht

Bisher hat künstliche Intelligenz in der Biologie vor allem Vorschläge gemacht: welches Experiment sinnvoll wäre, welches Molekül vielversprechend aussieht. Ausführen mussten das Menschen im Labor. Zwei Berichte vom 4. November 2026 zeigen, dass sich das gerade ändert. Darüber hat das französische Portal MACCUS zusammenfassend berichtet.

Erstens hat die Fachzeitschrift Nature eine Arbeit der Shanghai Jiao Tong University veröffentlicht. Sie beschreibt AutoDNA, ein Labor, in dem KI-Agenten – also KI-Programme, die selbstständig mehrere Arbeitsschritte hintereinander planen und ausführen – molekularbiologische Experimente auf mehr als 20 Geräten geplant und durchgeführt haben. Zweitens berichtete das KI-Unternehmen Anthropic am selben Tag, sein Modell Claude habe geholfen, erstmals die dreidimensionale Struktur eines bestimmten Vault-Partikels aufzuklären. Das sind hohle Proteinhüllen, deren Aufgabe in der Zelle seit 40 Jahren unbekannt ist. Beide Teams nennen konkrete Zahlen zur Zeitersparnis und listen auch auf, wo es noch hakt.

AutoDNA: Ein Labor, das acht Tage lang allein arbeitet

Das Paper wurde am 1. Oktober 2025 eingereicht und am 30. September 2026 angenommen. Laut Zusammenfassung „orchestriert“ das System „über 20 Typen von Instrumenten über mehr als 11.000 Schritte hinweg“ – und zwar autonom. Es erledigt die Grundarbeiten im Umgang mit DNA: DNA herstellen, sie in RNA umschreiben (die Arbeitskopie, mit der Zellen Erbinformation weiterverwenden), viele Kopien davon erzeugen und die Sequenz, also die Reihenfolge der Bausteine, auslesen. Menschen greifen laut Paper nur für Wartungsaufgaben ein, „etwa das Nachfüllen von Reagenzien und Laborbedarf“ – also Chemikalien sowie Röhrchen und Platten.

Getestet wurde AutoDNA an vier Aufgaben:

Der längste einzelne Durchlauf war der Datenspeicher-Test. Laut dem chinesischen Portal 36Kr und der koreanischen Zeitung Chosun Ilbo, die beide die Mitteilung des Teams wiedergeben, lief er etwa 203,5 Stunden – rund achteinhalb Tage – und umfasste 11,382 Hardware-Schritte. Das System schrieb einen einzelnen Satz in 78 DNA-Stränge und las ihn fehlerfrei wieder aus. Der Satz: „Intelligence is the ability to adapt to change“ („Intelligenz ist die Fähigkeit, sich an Veränderung anzupassen“). Menschen beschränkten sich laut 36Kr in dieser Zeit „hauptsächlich auf die regelmäßige Entsorgung von Versuchsabfall und das Nachfüllen von Reagenzien“ – und zwar dann, wenn das System sie dazu aufforderte. Wichtig: Diese beiden Zahlen stammen aus der Pressemitteilung, nicht aus der Zusammenfassung des Papers.

Heidi Ledford fasste es im Nachrichtenteil von Nature so zusammen:

„Menschliche Hände werden nur noch gebraucht, um Reagenzien aufzufrischen und die Hardware zu warten.“

Mitautor Haibo Chen, Informatiker an der Universität, erklärte gegenüber Nature, bei vielen bestehenden Systemen müssten „menschliche Experten noch die Instrumente konfigurieren“, und KI werde meist „nur für einen Teil des Prozesses hinzugefügt“. Milad Abolhasani, Chemieingenieur an der North Carolina State University und nicht beteiligt, nannte AutoDNA „bemerkenswert, sowohl wegen des Grades an Autonomie als auch, weil es leicht eine Vielzahl von Laborgeräten einbinden kann“. Er erwartet, dass „die Zukunft der Wissenschaft viele autonome Labore umfassen wird“.

Claude und das Rätsel der Vault-Partikel

Anthropic widmete sich einem älteren Rätsel. Vault-Partikel (vom englischen Wort für Gewölbe) sind hohle Proteinhüllen in den Zellen vieler Lebewesen. Entdeckt wurden sie 1986, ihre Funktion ist bis heute unklar. Anthropic meldet nun die erste 3D-Struktur eines Vaults, der aus einem Bakteriophagen-Protein aufgebaut ist – einem Protein, das ein Virus codiert, welches Bakterien befällt. Die Hülle besteht aus 96 Kopien dieses Proteins, das das Team L05 nannte, und bietet etwa 25 Prozent mehr Innenraum als die menschliche Variante mit 78 Kopien. Hergestellt wurden die Hüllen im Labor in Bakterien.

Unter Anleitung der Forscher übernahm Claude laut Anthropic mehrere Aufgaben: Es durchsuchte Proteindatenbanken, entwarf DNA-Sequenzen, die das Team bei Lieferanten bestellte, schlug einen schnelleren Weg vor, die Partikel zu isolieren, und bediente die Software, die Mikroskopbilder in ein 3D-Modell umrechnet. Für die Suche kam eine wissenschaftliche Variante namens Claude Science zum Einsatz, die rund 15 Milliarden per Computer vorhergesagte Proteine durchkämmte. Sie fand verwandte Proteine in 29 Bakteriengruppen und vier Gruppen von Archaeen – einem eigenen Zweig einzelliger Mikroben.

Zur Zeitersparnis schreibt das Team:

„Eine Vault-Reinigung, die üblicherweise drei Tage dauert, brauchte bei uns etwa 90 Minuten, und ein erstes Strukturmodell lag 34 Stunden später vor – was nach unserer Schätzung normalerweise Wochen gedauert hätte.“

Reinigung heißt hier: die Partikel vom Rest der Probe trennen. Das gesamte Projekt dauerte laut Anthropic „unter vier Monate“. Die Ergebnisse stehen in einem Preprint – einer Arbeit, die vor der unabhängigen Begutachtung durch Fachkollegen (Peer Review) veröffentlicht wird –, der am 5. November auf bioRxiv erschien, frei lizenziert. Der Beitrag gehört zu einer Reihe aus Anthropics Biologie-Labor: Ende Oktober hatte das Unternehmen berichtet, Claude habe einer Ein-Personen-Firma geholfen, Wirkstoffprogramme über elf externe Labore zu koordinieren.

Wo es noch scheitert

Beide Berichte nennen ihre Grenzen selbst. Das AutoDNA-Team verzeichnete 14 Hardware-Fehler. James Zou, Datenwissenschaftler in Stanford, schlüsselt sie in seinem begleitenden Nature-Kommentar auf: 8 behob das System selbst, 6 brauchten einen Menschen. Außerdem warnen die Forscher, dass die eingebaute Zufälligkeit großer Sprachmodelle dazu führen kann, dass derselbe Plan bei Wiederholung nicht dasselbe Ergebnis liefert – ein Problem für die Reproduzierbarkeit, die in der Wissenschaft zentral ist. Experimente an lebenden Tieren kann das System noch nicht.

Anthropic wiederum beschreibt sein eigenes Produkt – und dessen Fehler. Ein von Claude verfasstes Protokoll sah ein Nährmedium (die Nährstoffmischung zur Zellzucht) mit einem Zusatz vor, der einen Teil der Arbeit blockierte; das kostete etwa zwei Wochen. Bei der frühen Auswertung der Mikroskopbilder ließ das Modell einen Standardschritt aus und erzeugte eine fehlerhafte 3D-Karte, die mit ihrem eigenen Spiegelbild vermischt war. Das Team wies es daraufhin an, mit dem Improvisieren aufzuhören.

Offen bleibt vieles: Welche Aufgabe Vaults haben, ist weiter unbekannt. Hergestellt wurden die Partikel bisher nur in E. coli, dem Standard-Bakterium der Labore, nicht in den Organismen, in denen sie natürlich vorkommen. Leonard Rome, Mitentdecker der Vaults von 1986 und bezahlter Berater des Projekts, sagte, die Breite des Fundes deute darauf hin, „dass es eine komplizierte Funktion sein wird“.

Der Engpass verschiebt sich

Zou beschreibt in seinem Kommentar, worum es geht: Eine KI könne „in Minuten ein vielversprechendes biologisch aktives Molekül entwerfen, aber es zu testen kann Wochen oder Monate dauern“. Die Arbeit aus Shanghai könne „beginnen, die Lücke zwischen dem Vorschlagen und dem Durchführen eines Experiments zu schließen“. Nach Mathematik und Physik ist das Labor das jüngste Feld, in dem KI Ergebnisse vorweist; Ende Oktober hatte ein Startup-Gründer sogar behauptet, ein KI-Agent habe selbstständig eine Gentherapie an einer Maus ausgewählt und durchgeführt.

Langsam bleibt die Begutachtung. AutoDNA erschien bereits im Juli 2025 als Preprint auf arXiv; damals lief der Speichertest 162,9 Stunden über 9.365 Schritte. Vom Einreichen bis zur Veröffentlichung verging rund ein Jahr. Die Planung wird schneller, die verbleibende Zeit steckt in Hardware, Reagenzien und Prüfung.

Einordnung

Beide Ergebnisse sind wichtig, aber unterschiedlich belastbar. AutoDNA ist ein begutachtetes Nature-Paper mit klar benannten Handarbeiten, die Menschen noch erledigen. Die Vault-Struktur ist ein Preprint eines Unternehmens, das über sein eigenes Produkt berichtet – immerhin mit einer Fehlerliste. Die Zeitangaben von Anthropic („normalerweise Wochen“) sind Schätzungen des Teams selbst. In beiden Fällen übernahm KI Planung, Code und Teile der Auswertung, während Menschen Maschinen am Laufen hielten und Ergebnisse prüften. Von einem Labor ganz ohne Forscher ist das weit entfernt. Entscheidend wird sein, ob andere Labore die Ergebnisse mit anderen Modellen und ohne Anleitung der Originalautoren wiederholen können. Für Forschung und Pharmaindustrie zeichnet sich aber ab, dass der Flaschenhals künftig weniger im Denken als im Pipettieren und Prüfen liegt.