OpenAI und Ginkgo setzen GPT‑5 in einem cloud‑Labor ein, um CFPS schneller und günstiger zu machen.
In Kürze
- GPT‑5 entwirft Versuchsprotokolle und steuert Roboter
- sfGFP‑Ausbeute +27%, Reagenzienkosten −57%, Gramm‑Kosten deutlich gesenkt
- Menschen bleiben nötig; Biosicherheitsfragen offen
Künstliche Intelligenz steuert Roboterlabor — und optimiert die zellfreie Proteinsynthese
OpenAI und das Biotech‑Unternehmen Ginkgo Bioworks haben ein Sprachmodell, GPT‑5, direkt an ein cloud‑basiertes, vollautomatisiertes Labor angeschlossen, um die zellfreie Proteinsynthese (CFPS) zu verbessern. CFPS bedeutet: Proteine werden hergestellt, ohne lebende Zellen zu züchten — man nutzt stattdessen die molekulare „Maschinerie“ aus Zellen in einer kontrollierten Mischung. Ziel ist eine schnellere und günstigere Produktion für Forschung, Diagnostik und Industrie.
Schnelle Iteration, viele Daten
Das Team führte sechs Iterationsrunden durch und setzte mehr als 36.000 Einzelreaktionen um — verteilt auf 580 automatisierte Mikrotiterplatten. GPT‑5 entwarf die experimentellen Rezepturen, ein automatischer Prüfschritt validierte ihre praktische Ausführbarkeit, und Ginkgos modulare Roboterwagen (sogenannte Reconfigurable Automation Carts) führten die Versuche im Labor aus. Messdaten liefen zurück zu GPT‑5, das sie analysierte und neue Designs vorschlug; Ginkgos Software koordinierte das Robotik‑Setup.
Menschen blieben für das Vorbereiten und Be‑/Entladen von Reagenzien zuständig und nahmen anfangs manuelle Anpassungen vor.
Messbare Verbesserungen
Für das Prüftestprotein sfGFP (ein fluoreszierendes Standardprotein) wurden mehrere Kennzahlen verbessert:
- Proteinausbeute stieg um 27 % von 2,39 auf 3,04 g pro Liter Reaktionslösung.
- Die Kosten pro Gramm sfGFP sanken von 698 auf 422 US‑Dollar (ca. 40 % Verbesserung gegenüber einer früheren Bestleistung, Northwestern, Aug. 2025).
- Reagenzienkosten fielen um 57 % von 60 auf 26 US‑Dollar pro Gramm.
Die Autoren weisen darauf hin, dass ein kommerzielles Kit‑Listenpreis (NEB) von rund 800.000 US‑Dollar pro Gramm nicht direkt vergleichbar ist.
Wie das Modell arbeitete — und wo Menschen blieben
In Runde 1 agierte GPT‑5 „zero‑shot“ — also ohne vorherige Beispielmessungen — und lieferte brauchbare, wenn auch nicht optimale Designs. Anfangs gab es hohe Messstreuungen zwischen Wiederholungen (über 40 %). Nach manuellen Anpassungen der Reagenzkonzentrationen sanken Abweichungen auf einen Median von 17 %, was zeigt, dass menschliche Eingriffe weiterhin wichtig waren.
Ab Runde 3 erhielt GPT‑5 Zugang zu einem Computer, dem Internet, Analyse‑Paketen, einem aktuellen Preprint zur bisherigen Bestleistung sowie reicheren Metadaten (Rohdaten, Fehlerlogs, Inkubationszeiten). Mit diesen Werkzeugen kombinierte das Modell eigene Ergebnisse mit Literaturwissen und erzielte den größten Leistungssprung; in den Runden 3–5 übertraf es die frühere Bestleistung. Parallel dazu wurden DNA‑Vorlage und Zelllysat optimiert, sodass der genaue Anteil des Leistungszuwachses, der GPT‑5 allein zuzuschreiben ist, nicht vollständig trennbar ist.
Konkrete Eingaben und Erkenntnisse des Modells
GPT‑5 schlug bestimmte Zusatzstoffe vor — etwa:
- Nukleosidmonophosphate
- Kaliumphosphat
- Ribose
Diese Vorschläge kamen teilweise bevor das Modell Zugriff auf den erwähnten Preprint hatte; dieselben Substanzen wurden später auch von Fachleuten identifiziert. Das Modell dokumentierte Effekte nachvollziehbar und wies auf praktische Einflussfaktoren hin:
- Der Puffer HEPES beeinflusst den Ertrag deutlich.
- Phosphat muss in engem Konzentrations‑ und pH‑Bereich gepuffert werden.
- Spermidin kann die Ausbeute erhöhen.
Ökonomisch bemerken die Autor:innen, dass mehr als 90 % der Kosten einer CFPS‑Reaktion auf Zelllysat und DNA entfallen — die effizienteste Kostenreduktion liegt demnach darin, den Proteinertrag pro Einheit dieser teuren Zutaten zu steigern.
Fehler, Grenzen und Übertragbarkeit
Fehler waren selten: Von 480 entworfenen Mikrotiterplatten enthielten nur zwei fundamentale Designfehler (<1 %), etwa das Überschreiben einer Volumenangabe oder eine Einheitenumrechnung. Eine wichtige Einschränkung bleibt jedoch die Übertragbarkeit: Alle quantitativen Ergebnisse beziehen sich auf ein einziges Testprotein (sfGFP) und ein CFPS‑System.
In einem Versuch mit zwölf weiteren Proteinen zeigten nur sechs sichtbare Banden in der Gelelektrophorese — zusätzliche Optimierung wäre für viele andere Proteine nötig. Zudem war menschliche Aufsicht durchgehend erforderlich, sowohl zur Protokollverbesserung als auch für die Reagenzienhandhabung.
Sicherheitsaspekte und Ausblick
OpenAI und Ginkgo kündigen an, den Ansatz auf weitere biologische Prozesse ausweiten zu wollen. Die Möglichkeit, dass KI Modelle Laborprotokolle selbstständig verbessern, wirft Biosicherheitsfragen auf.
OpenAI verweist auf sein internes „Preparedness Framework“ zur Bewertung solcher Risiken; das Paper selbst nennt keine zusätzlichen konkreten Schutzmaßnahmen.
Quellen
- Quelle: OpenAI / Ginkgo Bioworks
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
