Forscher des CBoRG-Labors am Münchner Institut für Robotik und Maschinelle Intelligenz (TUM MIRMI) entwickeln Robotik- und KI-Systeme, die speziell auf biologische Labore zugeschnitten sind – ein Ansatz, den sie als „Embodied Laboratory Intelligence“ bezeichnen.

Standardisierte Analyse von Krebszellen

„Das Ziel ist es, Experten die Zusammenarbeit mit einem intelligenten Labor zu ermöglichen, in dem Experimente autonom, standardisiert geplant, durchgeführt und analysiert werden, während der Mensch permanent eingebunden bleibt“, erklärt der Forscher Dennis Knobbe vom CBoRG Lab. Daher haben die TUM-Forscher Roboterassistenten im Labor als Helfer entwickelt und eingesetzt. Als virtuelle Agenten analysieren sie Daten, als Robotermanipulatoren übernehmen sie repetitive Aufgaben wie Pipettieren, Reinigen und Probentransport, und automatisierte Mikroskope dokumentieren die Zellbildgebung im Detail. 

So läuft der gesamte Prozess im Einzelnen ab:

Schritt 1: Aufbau und gezielte Störung des Zellmodells

Zunächst werden homogene Krebszelllinien in standardisierten Laborumgebungen kultiviert, um ein kontrolliertes und reproduzierbares Basissystem zu schaffen. Anschließend werden definierte Störungen wie medikamentöse Behandlungen oder mechanische, elektrische und umweltbedingte Stressoren systematisch eingeführt, um messbare zelluläre Reaktionen auszulösen. So genannte kooperative Roboterassistenten übernehmen repetitive Laboraufgaben wie Pipettieren, Medienvorbereitung, Probentransport und Versuchsplanung, während menschliche Forscher die Zielsetzung, das Versuchsdesign und kritische Entscheidungspunkte überwachen sowie bei komplexen Fachaufgaben eingreifen.

Schritt 2: Reaktionen einzelner Zellen auf Störungen erfassen

Dann erfassen vernetzte Laborsysteme regelmäßig autonom multimodale experimentelle Daten unter verschiedenen Bedingungen. Automatisierte Bildgebungsplattformen erfassen Veränderungen hinsichtlich Zellwachstum, Proliferation, Zelltod, Morphologie, Migration und Invasionsverhalten in einzelnen Zellen auf standardisierte und reproduzierbare Weise. 

Schritt 3: Die funktionelle Variabilität und seltener Zellzustände erfassen

Die resultierenden Datensätze der einzelnen Zellen werden anschließend kontinuierlich durch KI-gesteuerte Analysepipelines und virtuelle Datenagenten verarbeitet, um funktionelle Heterogenität zwischen Zellen zu erkennen. So identifizieren die Forschenden seltene Subpopulationen, die mit Resistenz, Persistenz, Invasivität oder verändertem Wachstumsverhalten in Verbindung stehen. Eine standardisierte Datenintegration ermöglicht zudem eine präzise Analyse über verschiedene Experimente und Bedingungen hinweg. 

Schritt 4: Dynamischer Zustandsübergänge von Zellen im Zeitverlauf verfolgen

Sobald funktionelle Variabilität und seltene Zustände identifiziert wurden, werden die Zellen kontinuierlich autonom überwacht. So lässt sich rekonstruieren, wie sich Zellen während einer Behandlung oder bei Umweltveränderungen anpassen und zwischen verschiedenen Zuständen wechseln. Intelligente Laborsysteme koordinieren die Experimente, die Erfassung von Längsschnittdaten und die zeitliche Analyse, um sich abzeichnende adaptive Verhaltensweisen und Verläufe zu identifizieren. 

Schritt 5: Ableitung kritischer Kontrollsysteme und Signalnetzwerke

Diese dynamischen Zellbewegungsbahnen werden anschließend mit KI-gestützten mechanistischen Modellen kombiniert, um die Signalwege, Regulationsmechanismen und Kontrollsysteme abzuleiten, die die zelluläre Anpassung und tumorassoziierte funktionelle Veränderungen steuern. Dieser Schritt wandelt Beobachtungsdaten in ein mechanistisches Verständnis der Prozesse um.

Schritt 6: Interventionsstrategien priorisieren und validieren

Auf der Grundlage der identifizierten Kontrollmechanismen und potenziellen Schwachstellen werden therapeutische Interventionsstrategien priorisiert und experimentell validiert. Roboterassistenten führen die Validierungsabläufe gemeinsam durch, während KI-Systeme die Ergebnisse unter verschiedenen Versuchsbedingungen auswerten und die vielversprechendsten Ziele für die Begutachtung durch Experten selektieren.

Schritt 7: Iterative Verfeinerung von Hypothesen durch autonomes Experimentieren 

Diese Ergebnisse fließen anschließend in einen KI-gesteuerten Versuchszyklus ein, in dem die Hypothesen kontinuierlich verfeinert und das Versuchsdesign optimiert werden. Menschliche Forscher bleiben während des gesamten Prozesses aktiv eingebunden und gewährleisten so eine synergetische Zusammenarbeit zwischen Forschenden, virtuellen KI-Agenten und verkörperten Roboter-Laborassistenten.

Text: Andreas Schmitz