Was Ihre Ergebnisse nicht speichern: Den vollständigen experimentellen Kontext erfassen
Von KI unterstützte Wissenschaftlerinnen und Wissenschaftler könnten eines Tages Experimente auf Basis bewährter Vorlagen entwerfen, wobei Agenten den Weg zu den besten Ergebnissen vorschlagen. Doch dieses Versprechen steht und fällt mit einer grundlegenden Frage: Worauf stützt die KI ihre Vorschläge? Die Antwort liegt nicht in ausgefeilteren Algorithmen, sondern in etwas weitaus Banalerem und zugleich Anspruchsvollerem – der umfassenden Datenerfassung in einem modernen IT-Ökosystem.
Die heutige Realität sieht so aus, dass die meisten Labore erstaunlich analog arbeiten. Wissenschaftlerinnen und Wissenschaftler kritzeln Beobachtungen auf Servietten, Haftnotizen und Papiertücher. Sie merken sich im Kopf, welche Reagenziencharge besser funktioniert hat, welcher Inkubator wärmer läuft und dass die Zellen vom Dienstag stets gesünder wirken als die vom Donnerstag. Später (manchmal deutlich später) übertragen sie diese Beobachtungen in elektronische Laborbücher (ELNs) und verlieren dabei zwangsläufig Kontext, machen Fehler und lassen jenes stillschweigende Wissen aus, das ihnen zu offensichtlich erschien, um es aufzuschreiben.
Dieser fragmentierte Ansatz bei der Dokumentation ist nicht nur ineffizient. Er untergräbt aktiv unsere Fähigkeit, KI für den wissenschaftlichen Fortschritt zu nutzen.
Eine Qualitätskrise in der Forschung
Trotz der beeindruckenden Bilanz moderner Medikamente ist ein Großteil der Life-Sciences-Forschung nach wie vor von recht geringer Qualität. Das ist die unbequeme Wahrheit – und sie liegt nicht an inkompetenten Wissenschaftlern, sondern an unkontrollierten Variablen, die wir kaum wahrnehmen. Geräte fallen mitten im Experiment aus. Umgebungsbedingungen schwanken. Reagenzienchargen unterscheiden sich. Veraltete IT-Plattformen und -Systeme laufen instabil. Metadaten aus früheren Experimenten, die aktuelle Experimente einordnen helfen könnten, werden nur uneinheitlich erfasst. Diese entscheidenden Kontextfaktoren finden selten den Weg in die offizielle Dokumentation.
Bei der Generierung von Daten haben wir Fortschritte gemacht: vollständiges Transkriptom-Profiling, High-Content-Imaging, multiomische Datensätze und vieles mehr. Doch aus diesen Daten aussagekräftige Erkenntnisse zu gewinnen, fällt uns schwer, da ihnen der umfassende Kontext fehlt, der ihre Muster bedeutsam machen würde – und veraltete IT-Plattformen den Umgang mit dem Datenvolumen nahezu unmöglich machen. Wir bauen Atlanten, wo wir eigentlich Prinzipien entdecken sollten.
Das menschliche Gehirn kann nicht sämtliche Variablen über Tausende von Experimenten hinweg verarbeiten und verknüpfen, um Datenmuster zu extrapolieren. KI kann das jedoch – vorausgesetzt, wir geben ihr das vollständige Bild.
Der digitale Fingerabdruck
Eine Fachkraft im Labor trägt eine Schutzbrille mit Head-up-Display und beginnt, ein Gel vorzubereiten. Das Laborsystem weiß aus dem ELN, welches Experiment gerade läuft. Sensoren erfassen Temperatur, Luftfeuchtigkeit und Chargennummern der Reagenzien. Kameras zeichnen die Technik auf. Sagt die Fachkraft laut „Gelelektrophorese wird gestartet“, wird der Zeitstempel protokolliert – ganz ohne Tastatureingabe.
Das System erfasst nicht nur, was getan wurde, sondern auch wie es getan wurde, unter welchen Bedingungen, mit welchen Materialien und zu welcher Tageszeit. So entsteht ein vollständiger „digitaler Fingerabdruck“ – eine reichhaltige, kontextualisierte Aufzeichnung, die Experimente wirklich reproduzierbar macht und der KI genau die umfassenden Trainingsdaten liefert, die sie braucht, um aussagekräftige Erkenntnisse zu generieren.
Das klingt nach Science-Fiction, doch die Technologien dafür existieren längst: IoT-Sensoren, Computer Vision, Spracherkennung und automatisierte Geräteanbindung. Die eigentliche Herausforderung ist die Integration – der Aufbau von Ökosystemen, in denen Daten nahtlos aus Instrumenten, Sensoren und Beobachtungen in strukturierte, auswertbare Formate fließen.
Von der Erfassung zur Intelligenz
Mit einer umfassenden Erfassung von Metadaten kann KI endlich über reine Korrelation hinaus zu Kausalität vordringen. Sie kann erkennen, dass eine 2-prozentige Verbesserung der Zellviabilität nicht auf die neue Medienformulierung zurückzuführen war, sondern darauf, dass die betreffenden Experimente in einer Woche stattfanden, in der die Klimaanlage eine stabilere Luftfeuchtigkeit hielt. Sie kann feststellen, dass die Technik einer bestimmten Forscherin konsistentere Ergebnisse liefert, und anhand von Videomaterial nachvollziehen, warum das so ist. Mit anderen Worten: Metadaten erklären nicht nur, warum etwas funktioniert hat – sie bewahren auch die Bedingungen, die Ergebnisse über Zeiträume, Teams und Standorte hinweg vergleichbar machen.
Noch wichtiger: Metadaten machen sogar Fehlschläge wertvoll. Heute verschwindet das Wissen aus gescheiterten Experimenten meist im jeweiligen Labor. Wissenschaftlerinnen und Wissenschaftler weltweit verschwenden Ressourcen, weil sie dieselben erfolglosen Ansätze wiederholen. Mit umfassender Datenerfassung und angemessenem Datenschutz werden negative Ergebnisse zu lernbaren Mustern. KI kann warnen: „Sieben andere Teams haben diesen Ansatz unter ähnlichen Bedingungen bereits getestet. Hier ist, was nicht funktioniert hat – und warum.“
Unser Daten-zuerst-Imperativ
Bevor wir das Versprechen der KI-gestützten Wissenschaft einlösen können, müssen wir das Problem der Datenerfassung lösen. Das bedeutet zunächst eine Investition in:
- integrierte Labor-Ökosysteme, die Geräte, Sensoren und Dokumentationssysteme miteinander verbinden
- standardisierte Metadatenschemata, die den experimentellen Kontext automatisch erfassen
- sprachgesteuerte und bildbasierte Schnittstellen, die den Aufwand für die Dokumentation reduzieren
- einen Kulturwandel, der umfassende Dokumentation höher bewertet als Geschwindigkeit
Die Wissenschaftlerinnen und Wissenschaftler, die wir in architektonische Rollen erheben brauchen ein solides Fundament, auf dem sie aufbauen können. Dieses Fundament besteht aus Daten – reichhaltigen, kontextualisierten, umfassenden Daten, die nicht nur festhalten, was wir getan haben, sondern alles, was in Bezug auf das Wie und Warum von Bedeutung sein könnte.
KI kann nur so intelligent sein wie die Informationen, die wir ihr zur Verfügung stellen. Von der Serviette bis zum neuronalen Netz führt der Weg über eine bewusste, systematische und lückenlose Datenerfassung. Das Labor der Zukunft entsteht nicht allein durch bessere Algorithmen – es entsteht durch bessere Aufzeichnungen von allem, was zählt.
