GPT-5 steuert autonomes Biolabor und senkt Produktionskosten massiv

OpenAI und Ginkgo Bioworks koppeln das Sprachmodell GPT-5 an ein vollautomatisches Labor. Das KI-Modell optimierte die zellfreie Proteinsynthese eigenständig und senkte die Produktionskosten dabei um 40 Prozent gegenüber bisherigen Standards.

Vom Chatbot zum Laborleiter

Die Kooperation zwischen OpenAI und dem Biotech-Unternehmen Ginkgo Bioworks demonstriert eine neue Anwendungsart für Sprachmodelle. GPT-5 agierte in diesem Setup nicht als reiner Datenanalyst, sondern traf aktive Entscheidungen über den physischen Versuchsaufbau.

Das Modell steuerte die Parameter für die zellfreie Proteinsynthese (CFPS). Es legte fest, welche Reagenzien in welchen Konzentrationen kombiniert werden müssen. Der Suchraum für die optimale Mischung ist bei solchen biochemischen Reaktionen enorm groß und komplex.

Anschließend führte das robotische Cloud-Labor von Ginkgo die Anweisungen aus. Die Ergebnisse flossen zurück an die KI, die daraufhin die nächste Versuchsreihe anpasste. Das Experiment lief über insgesamt neun aufeinanderfolgende Runden, in denen das Modell seine Strategie basierend auf realen Labordaten verfeinerte.

Massive Skalierung der Experimente

Insgesamt initiierte das System über 36.000 individuelle Experimente. Diese hohe Frequenz ermöglichte eine schnelle Iteration, die für menschliche Forscherteams in dieser kurzen Zeitspanne kaum realisierbar wäre.

Das konkrete Ziel war die Optimierung der Produktion von grün fluoreszierendem Protein (sfGFP), einem Standard-Benchmark in der Biologie. Der bisherige Industriestandard für die Herstellung lag bei Kosten von rund 698 US-Dollar pro Gramm.

Durch die autonome KI-Optimierung sank dieser Preis auf 422 US-Dollar pro Gramm. Das entspricht einer Effizienzsteigerung und Kostenreduktion von etwa 40 Prozent. Gleichzeitig stieg die Ausbeute des Proteins signifikant an.

Vorteil durch biologisches Vorwissen

Klassische Methoden wie die Bayes-Optimierung behandeln biologische Systeme oft als "Black Box". Sie testen Parameter statistisch, ohne ein tieferes Verständnis der chemischen Prozesse zu simulieren.

GPT-5 nutzte dagegen sein in den Trainingsdaten enthaltenes biologisches Wissen. Es erkannte Zusammenhänge zwischen den Eingabestoffen und der Proteinausbeute schneller als rein mathematische Verfahren. Das Modell startete bereits mit Hypothesen über funktionierende Kombinationen, statt bei Null anzufangen.

Die zellfreie Proteinsynthese gilt als Schlüsseltechnologie für neue Medikamente und Enzyme, da sie ohne lebende Zellen auskommt. Die hohen Kosten der Reagenzien bremsten den breiten Einsatz im industriellen Maßstab bisher jedoch oft aus.

Autonome Wissenschaft beschleunigt

Dieser Erfolg markiert einen Schritt weg von theoretischen KI-Antworten hin zu physischen Resultaten. Die direkte Anbindung von Large Language Models an Hardware-Labore schließt die Lücke zwischen digitaler Planung und biologischer Realität.

Für die Pharmaindustrie bedeutet dies potenziell kürzere Entwicklungszyklen. Komplexe Optimierungsprobleme lassen sich durch autonome Systeme effizienter lösen als durch manuelle Versuchsreihen. Die Ergebnisse deuten darauf hin, dass KI-Modelle künftig Routineaufgaben in der Forschung übernehmen und Experimente selbstständig designen.