OpenAI Ginkgo autonomes Labor senkt Proteinkosten 40 %
Das OpenAI Ginkgo autonome Labor, dessen Ergebnisse im Februar 2026 veröffentlicht wurden, verband GPT-5 mit dem robotischen Cloud-Labor von Ginkgo Bioworks in Boston und senkte die Kosten der zellfreien Proteinsynthese um 40 Prozent gegenüber dem bisherigen Stand der Technik. In sechs Runden entwarf das Modell mehr als 36.000 Reaktionen, die Roboter ausführten. Für Unternehmen, die von Laborforschung abhängen, zeigt es ein KI-Modell, das Experimentierkosten senkt, indem es auswählt, welche Experimente laufen.
Warum sich die zellfreie Proteinsynthese schwer verbessern lässt
Die zellfreie Proteinsynthese ist teuer abzustimmen, weil das Rezept zu viele bewegliche Teile hat. Die Methode, kurz CFPS, stellt Proteine her, ohne lebende Zellen zu züchten: Die proteinbildende Maschinerie aus dem Inneren der Zellen wird in eine kontrollierte Mischung verlegt und läuft dort. Sie dient in der Wirkstoffentwicklung, in der Diagnostik und bei der industriellen Enzymproduktion, außerdem in der kommerziellen Herstellung eines Antikörper-Wirkstoff-Konjugats.
Jede Mischung kombiniert DNA-Vorlagen, Zellextrakte namens Lysate, Energiequellen, Salze und Cofaktoren. Der Raum möglicher Zusammensetzungen ist riesig, kleine Änderungen sind schwer vorherzusagen, und frühere Machine-Learning-Versuche brachten nur schrittweise Gewinne. In der Biologie muss jede Idee im Labor getestet werden, wo Experimente Zeit und Geld kosten.
Was OpenAI und Ginkgo Bioworks gebaut haben
OpenAI verband sein Modell GPT-5 mit dem vollautomatischen Cloud-Labor von Ginkgo Bioworks in Boston, und die Unternehmen veröffentlichten die Ergebnisse im Februar 2026. Der Aufbau ist ein geschlossener Kreislauf: GPT-5 schreibt Versuchspläne als digitale Dateien, ein auf der Python-Bibliothek Pydantic gebautes Validierungssystem prüft, ob jeder Plan wissenschaftlich sinnvoll ist und auf der vorhandenen Ausrüstung laufen kann, und erst dann führt das Labor ihn aus.
Im Labor erledigen modulare Robotereinheiten namens Reconfigurable Automation Carts, kurz RACs, die Arbeit. Jeder Wagen trägt ein Gerät, etwa einen Pipettierroboter, einen Inkubator oder ein Messgerät, während Roboterarme und Transportschienen Probenplatten zwischen ihnen bewegen. Ginkgos Catalyst-Software steuert den Ablauf, und die Ergebnisse fließen zurück an GPT-5, das sie auswertet und die nächste Runde entwirft.
Wie das Labor von Runde zu Runde lief
Menschen übernahmen die Vorbereitung sowie das Be- und Entladen von Reagenzien und Verbrauchsmaterial. In sechs Runden und sechs Monaten erzeugte das System rund 150.000 Datenpunkte.
Völlig autonom war es nicht. Anfangs wichen Ergebnisse auf derselben Platte teils um mehr als 40 Prozent voneinander ab, und Ginkgo-Mitarbeiter mussten Reagenzkonzentrationen und Stammlösungen von Hand anpassen, was die mediane Abweichung auf 17 Prozent drückte. Die größten Gewinne kamen ab Runde 3, als GPT-5 Zugriff auf einen Computer, das Internet, Datenanalysepakete und ein aktuelles Preprint von Forschern der Northwestern University bekam. Innerhalb von zwei Monaten, in den Runden 3 bis 5, übertraf das System das bisher beste Ergebnis. DNA-Vorlage und Lysat wurden gleichzeitig verbessert, deshalb lässt sich nicht der ganze Gewinn dem Modell zuschreiben.
Was das autonome Labor gemessen hat
Das System testete mehr als 36.000 Reaktionszusammensetzungen auf 580 automatisierten Platten. Die Herstellungskosten des Testproteins sfGFP sanken von 698 auf 422 Dollar pro Gramm, eine Senkung um 40 Prozent gegenüber dem bisherigen Stand der Technik, den Forscher der Northwestern im August 2025 veröffentlicht hatten. Die Proteinausbeute stieg um 27 Prozent, von 2,39 auf 3,04 Gramm pro Liter, und allein die Reagenzkosten fielen um 57 Prozent, von 60 auf 26 Dollar pro Gramm.
Fehler waren selten: Von 480 Platten, die GPT-5 entwarf, hatten zwei grundlegende Konstruktionsfehler. Die Grenzen sind größer. Alle Ergebnisse stammen von einem Protein und einem CFPS-System, und in einem Test mit zwölf weiteren Proteinen ließen sich nur sechs nachweisen.
Was es für Unternehmen mit Laborforschung bedeutet
Für ein laborgestütztes Unternehmen zeigt das Ergebnis, wo ein KI-Modell Geld spart: bei der Auswahl, welche Experimente laufen. GPT-5 wies außerdem darauf hin, dass inzwischen mehr als 90 Prozent der Kosten einer Reaktion auf Lysat und DNA entfallen, die Ausbeute je Einheit dieser Zutaten zu steigern ist also wichtiger, als billigere Zutaten zu kürzen.
Ginkgo macht die Arbeit zu seinem Kerngeschäft. Das Unternehmen baut sein autonomes Labor in Boston auf über 50 RACs aus, 50 weitere sollen bis Ende 2026 folgen, und verkauft das Labor sowohl als Cloud-Dienst als auch als bei Kunden errichtete Systeme. Es gewann einen Auftrag über 47 Millionen Dollar für ein autonomes Labor mit 97 Geräten für das Pacific Northwest National Laboratory. Der Kurswechsel kommt, nachdem der Umsatz im Gesamtjahr 2025 um 25 % auf 170 Millionen Dollar gefallen war.
„In diesem Jahr werden wir investieren, um in der Kategorie der autonomen Labore zu gewinnen." Jason Kelly, Mitgründer und CEO von Ginkgo Bioworks
Fragen und Antworten
Wie stark senkte GPT-5 die Kosten der Proteinherstellung?
Die Kosten für sfGFP sanken von 698 auf 422 Dollar pro Gramm, 40 Prozent unter dem bisherigen Stand der Technik. Allein die Reagenzkosten fielen um 57 Prozent.
Wie autonom war das Labor von OpenAI und Ginkgo?
GPT-5 entwarf die Experimente und wertete die Ergebnisse aus, Roboter führten sie aus. Menschen bereiteten Reagenzien und Verbrauchsmaterial vor und luden sie, und Ginkgo-Mitarbeiter passten Reagenzkonzentrationen von Hand an, um die Streuung zu senken.
Gilt das Ergebnis auch für andere Proteine?
Noch nicht. Alle Ergebnisse stammen von einem Protein, sfGFP, und in einem Test mit zwölf weiteren Proteinen ließen sich nur sechs nachweisen. Für andere Ziele wäre mehr Optimierung nötig.
Die Sicht von MOZGII
Wie wir es bauen würden
Das Nützliche an diesem Fall ist nicht, dass ein Modell ein Labor betrieben hat. Es ist die Prüfung zwischen dem Modell und den Robotern. Jeder Plan von GPT-5 lief durch einen Validator, bevor sich irgendein Gerät bewegte, und diesen Teil würden wir zuerst übernehmen. Wenn wir ein solches System für ein Forschungsteam bauen würden, starteten wir mit der Liste dessen, was das Labor physisch kann: Volumina, Geräte, Plattenformate und die vorrätigen Reagenzien.
Das Modell würde Experimente in einem festen Format vorschlagen, jedes würde im Code gegen diese Liste geprüft, und nur gültige Platten gingen an die Roboter. Ein Wissenschaftler prüfte nach jeder Runde die Notizen des Modells und gäbe die nächste frei. Wir würden jedes Rohergebnis aufbewahren, auch fehlgeschlagene Platten und Fehlerberichte der Geräte, denn der Fall zeigt, dass das Modell sich am meisten verbesserte, als es dieses Detail sah.
Scheitern würde es dort, wo Messungen verrauscht sind. Gibt dieselbe Platte unterschiedliche Antworten, lernt das Modell aus Rauschen, und hier mussten Menschen die Eingaben von Hand korrigieren. Es würde auch scheitern, wenn ein für ein Protein abgestimmtes Rezept für ein anderes verwendet wird.
Die eine Zahl, die wir beobachten würden, sind die Kosten pro Gramm des Zielproteins, in jeder Runde gleich gemessen. Als Nächstes würden wir denselben Kreislauf für ein zweites Protein bauen, bevor wir einem Rezept über das erste hinaus vertrauen.
Quellen
Woher die Fakten dieser Meldung stammen.