MOUNTAIN VIEW / SAN FRANCISCO / LONDON (IT BOLTWISE) – Zwei neue KI-Systeme aus der Forschung testen einen neuen Arbeitsmodus: Teams von Agenten formulieren Hypothesen, planen Experimente und werten Laborergebnisse aus. Statt nur Dokumente zu durchsuchen, verknüpfen sie Wissen aus der Literatur mit konkreten Testläufen im Labor, wodurch sich Zeitpläne spürbar verkürzen sollen. In den Beispielen liefern die Systeme innerhalb von Stunden plausibel wirkende Kandidaten für eine Wirkstoff-Neupositionierung. Entscheidend bleibt dabei der „Human-in-the-Loop“-Ansatz, weil reale Laborbedingungen und strengere Validierungen die Hürde darstellen.
Labore stehen vor einem ähnlichen Engpass wie Softwareteams: Nicht die Idee fehlt, sondern die Iterationsgeschwindigkeit. Genau hier setzen aktuelle Arbeiten an, die Künstliche Intelligenz nicht nur als Analyse- oder Suchwerkzeug begreifen, sondern als aktiven Mitwirkenden im Forschungsprozess. Zwei Systeme, die in einer etablierten Fachpublikation vorgestellt werden, organisieren ihre Arbeit als „Teams“ aus KI-Agenten: Sie entwickeln Hypothesen, schlagen Experimente vor und verdichten Daten zu verwertbaren Ergebnissen. Laut den Autoren bleiben Menschen an mehreren Stellen eingebunden, doch die Durchlaufzeiten sollen deutlich geringer ausfallen als in rein manuellen Forschungszyklen.
Technisch betrachtet ist das Konzept weniger Magie als Workflow-Engineering. Statt einer einzigen Modellstufe orchestriert die Software mehrere spezialisierte Agenten, die aufeinander aufbauen: Einer nutzt Informationen aus der wissenschaftlichen Literatur, um Kandidaten und experimentelle Fragestellungen abzuleiten. Ein anderer Agent interpretiert die späteren Laborresultate, damit neue Vorschläge entstehen können. In beiden Ansätzen ist entscheidend, dass die KI-„Entscheidungen“ nicht im luftleeren Raum stattfinden, sondern mit tatsächlichen Assays im Labor rückgekoppelt werden. Diese Rückkopplung entspricht funktional einem modernen, KI-gestützten MLOps/Experiment-Loop, nur eben mit biologischen Messgrößen statt mit Trainingsdaten.
Ein System basiert auf einem Ansatz, der in der Forschung als „Co-Scientist“ bekannt wurde: Das KI-System durchforstet die Landschaft bereits zugelassener Medikamente, um Wirkstoffe zu finden, die auch für andere Indikationen infrage kommen könnten. In einem Beispiel wird das Vorgehen auf akute myeloische Leukämie bezogen. Zunächst identifiziert das System eine Liste plausibler Kandidaten, aus der Forschende mehrere Wirkstoffe für weitere Untersuchungen auswählen. Anschließend zeigen frühe Zellstudien, dass ein Teil der Kandidaten im Labor tatsächlich Potenzial hat. Auffällig ist dabei nicht nur die Ergebnisliste, sondern die Geschwindigkeit der Hypothesenbildung—laut Bericht in wenigen Stunden.
Das zweite System, entwickelt von einem gemeinnützigen KI-Forschungslabor in San Francisco, verfolgt eine stärker „agentische“ Struktur: Zuerst lassen die Entwickler Agenten Literaturrecherchen durchführen, erstellen daraus Berichte und leiten daraus konkrete Laborexperimente ab. Menschen führen diese Experimente aus und liefern die Daten zurück, die dann von einem auf Datenanalyse spezialisierten Agenten verarbeitet werden. Für eine ophthalmologische Indikation, trockene altersbedingte Makuladegeneration, beginnt die KI damit, molekulare Zielstrukturen zu identifizieren. In der Folge wird beispielsweise ein Wirkstoff genannt, der bislang für eine andere Augenerkrankung verwendet wird, inklusive Vorschlägen für Tests, um die beobachtete Wirkung im Labor zu bestätigen.
Damit wird der Vergleich zu klassischen Drug-Discovery-Pipelines greifbar: Konventionelle Ansätze sind häufig durch lange Planungs- und Entscheidungszyklen geprägt, etwa durch manuelle Literaturauswertung, Expertenreview und die Auswahl kleiner Experiment-Stacks. Agentenbasierte Systeme versetzen dagegen einen Teil dieser Arbeit in einen schnell iterierenden Prozess, ähnlich wie es auch in Softwareprojekten durch Automatisierung und Orchestrierung von Build- und Testphasen gelingt. Trotzdem bleibt das System nicht „autonom“ im Sinne vollständiger Selbststeuerung. Forschende müssen Auswahlentscheidungen treffen, Assays durchführen und die KI-Resultate gegen strengere Kriterien halten. Damit entsteht eine neue Balance: Tempo durch KI-Orchestrierung, aber Qualität durch kontrollierte Validierung.
Aus Marktsicht ist Google DeepMind hier der prominenteste Akteur, doch der Wettbewerbsdruck auf „agentic“ Systeme wächst branchenweit. Während andere Tech-Giganten und Forschungsgruppen bislang häufig auf einzelne Modellfähigkeiten setzten—beispielsweise nur auf Textgenerierung oder nur auf Datenklassifikation—verschiebt sich der Fokus zu Orchestrierung, Rollenaufteilung und Rückkopplung in realen Umgebungen. Branchenberichten zufolge beobachten Analysten vor allem zwei Faktoren: Erstens, ob diese Systeme in vielen Laboren reproduzierbar funktionieren; zweitens, ob sie in der Praxis zuverlässig arbeiten, wenn Messrauschen, Probenvariabilität und experimentelle Nebenbedingungen auftreten. Genau daran koppeln sich aktuell die meisten Erwartungshaltungen der Unternehmensseite.
Historisch betrachtet knüpfen die Arbeiten an mehrere Strömungen an: An „In-silico“-Screenings, an Fortschritte in der Mustererkennung biologischer Daten und an die Vision, KI stärker in wissenschaftliche Arbeitsabläufe einzubetten. Bereits frühere Versuche zeigten jedoch, dass die Ergebnisse aus Modellen oft an der Realität scheitern: Viele Kandidaten bestehen zwar erste In-vitro-Tests, scheitern dann aber bei strengeren Assays oder unter komplexeren Bedingungen. Die neuen Systeme adressieren dieses Problem indirekt, indem sie nicht nur Vorhersagen liefern, sondern auch den nächsten experimentellen Schritt anstoßen. Dennoch gilt: Keine der vorgeschlagenen Substanzen ist automatisch final geprüft; der Weg zur klinischen Relevanz bleibt lang, und Laborarbeit bleibt ein zentraler Qualitätsanker.
Für die Zukunft ist die wichtigste offene Frage, wie gut sich solche Agententeams im Alltag skalieren lassen. Ein Experte, der KI-Initiativen strategisch verantwortet, betont sinngemäß: Erst wenn der Ansatz breit verfügbar ist, wird sichtbar, wie robust er unter realen Bedingungen funktioniert. Aus Sicht von Unternehmen und Forschungseinrichtungen heißt das: Der Nutzen entsteht dann, wenn die KI-gestützten Workflows mit bestehenden Laborprozessen, Qualitätsmanagement und Datenpipelines harmonieren. Gleichzeitig rücken Sicherheits- und Datenschutzaspekte in den Vordergrund—insbesondere dort, wo Labor- und Patientendaten indirekt berührt werden, etwa über Metadaten, Protokolle oder Forschungszusammenhänge. Agentenbasierte Systeme müssen daher nachvollziehbare Logs, kontrollierte Berechtigungen und saubere Daten-Grenzen unterstützen, damit schnelle Iteration nicht zum Compliance-Risiko wird.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Agententeams beschleunigen Laborsuche nach Wirkstoffen – mit In-silico-Experten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Agententeams beschleunigen Laborsuche nach Wirkstoffen – mit In-silico-Experten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Agententeams beschleunigen Laborsuche nach Wirkstoffen – mit In-silico-Experten« bei Google Deutschland suchen, bei Bing oder Google News!