Schweizer Adaptyv erhält 40 Mio. US-Dollar: Das Labor wird zur Gigafactory

Im Labor beginnt eine neue Phase der Automatisierung. Bisher ging es vor allem darum, wiederkehrende Tätigkeiten zu beschleunigen: Flüssigkeiten pipettieren, Proben sortieren, Platten transportieren oder Messungen durchführen. Die nächste Generation automatisierter Labore soll dagegen nicht nur arbeiten, sondern auch entscheiden, was als Nächstes zu tun ist.

Ein Beispiel dafür ist das Schweizer Unternehmen Adaptyv Biosystems. Das im Biopôle in Lausanne ansässige Start-up hat eine automatisierte Wet-Lab-Plattform für das Protein-Engineering entwickelt. Ende August gab das Unternehmen eine Series-A-Finanzierung über 40 Mio. US-Dollar bekannt. Angeführt wurde die Runde von Highland Europe; bestehende Investoren wie Ace Ventures, ByFounders und Y Combinator beteiligten sich erneut.

Beeindruckende Kundenliste

Das Geschäftsmodell ist dabei bemerkenswert einfach: Adaptyv übernimmt die experimentelle Arbeit, die immer häufiger zum Flaschenhals KI-gestützter Biologie wird. Algorithmen können heute in kurzer Zeit große Mengen neuer Proteine entwerfen. Doch jedes dieser Designs muss anschließend in der realen Welt getestet werden. Genau hier setzt Adaptyv an: Die Plattform erzeugt Proteine, führt Experimente automatisiert durch und liefert Daten zurück, mit denen neue Designs bewertet und verbessert werden können.

Nach Unternehmensangaben hat Adaptyv seine Laborkapazität innerhalb eines Jahres mehr als verfünffacht und inzwischen mehr als 100 Kunden gewonnen. Darunter befinden sich KI-Biologieunternehmen wie Chai Discovery und Boltz, aber auch Pharmaunternehmen wie Roche und Novo Nordisk, und jede Menge andere große Namen von Anthropic über Microsoft, Cradle bis zum MIT und der Harvard University.

Wenn KI nicht mehr nur denkt, sondern experimentiert

Der entscheidende Begriff lautet „agentic biology“. Gemeint ist eine Form der biologischen Forschung, bei der KI nicht mehr lediglich als Werkzeug für einzelne Aufgaben eingesetzt wird. Stattdessen übernimmt sie zunehmend eine Rolle als autonomer Akteur innerhalb eines Experimentierzyklus: Hypothese entwickeln, Experiment planen, Versuchsparameter festlegen, Experiment durchführen, Ergebnisse analysieren – und anschließend die nächste Runde bestimmen.

Damit verschiebt sich auch die Bedeutung von Laborrobotik. Ein Roboterarm, der einen Menschen beim Pipettieren ersetzt, ist noch kein autonomes Labor. Ein sogenanntes Self-Driving Laboratory (SDL) verbindet dagegen Robotik, automatisierte Instrumente, Software und algorithmische Entscheidungsprozesse so, dass Experimente weitgehend selbstständig geplant, ausgeführt und ausgewertet werden können. Die Forschungsliteratur beschreibt genau diese Verbindung von Robotik und algorithmischer Entscheidungsfindung als Kern der Self-Driving Labs.

Das Ziel ist ein geschlossener Kreislauf: Design → Experiment → Daten → neues Design.

Gerade in der Biologie könnte dieser Kreislauf einen erheblichen Produktivitätsgewinn bringen. Der Suchraum ist riesig: Bei Proteinen, Antikörpern, Enzymen oder anderen Biomolekülen existieren theoretisch Millionen bis Milliarden mögliche Varianten. KI kann diesen Raum durchsuchen – aber nur dann sinnvoll, wenn ausreichend hochwertige experimentelle Daten zurückfließen. Hier liegt eine der entscheidenden Grenzen heutiger KI-Biologie: Das Modell kann schneller werden als das Labor.

Der Flaschenhals sitzt zunehmend im Wet Lab

Die Entwicklung von KI-Modellen für Moleküle und Proteine hat sich in den vergangenen Jahren enorm beschleunigt. Gleichzeitig bleibt die experimentelle Validierung vergleichsweise langsam, teuer und personalintensiv. Genau deshalb wird die Automatisierung des Wet Labs zum strategischen Gegenstück der generativen Biologie.

Adaptyv versucht, dieses Problem als Infrastrukturfrage zu lösen. Ein einmal automatisierter Workflow lässt sich nach dem eigenen Modell relativ einfach vervielfältigen: Die gleiche Workcell, das gleiche Protokoll und die gleiche Software können zusätzliche Kapazität bereitstellen.

Mit den 40 Mio. Dollar will das Unternehmen deshalb zunächst vor allem horizontal skalieren. Die Laborkapazität soll bis Ende 2026 ungefähr verdreifacht werden. In Lausanne wird ausgebaut, im vierten Quartal soll ein weiterer Standort in London hinzukommen. Die Belegschaft soll von derzeit rund 25 auf etwa 60 Mitarbeiter wachsen – insbesondere in Produktion, Automation und Software.

Das ist ein anderes Skalierungsmodell als bei einem klassischen Biotech-Unternehmen. Nicht die Zahl der Forscher soll proportional mit der Zahl der Experimente wachsen, sondern die Zahl der automatisierten Workflows.

Vom Protein zum komplexeren biologischen System

Gleichzeitig will Adaptyv vertikal wachsen. Proteinbindung ist nach Angaben des Unternehmens der Ausgangspunkt. Danach sollen komplexere Fragestellungen hinzukommen: die Entwicklungsfähigkeit also die Herstellbarkeit eines Proteins soll getestes werden durch eine umfassende biophysikalische Charakterisierung, anschließend geht es um Modalitäten wie Peptide, Antikörper-Wirkstoff-Konjugate (ADCs) und Degrader bis hin zu zellbasierten Funktionstests.

Das ist technologisch entscheidend. Denn die Automatisierung eines standardisierten Bindungsassays ist etwas anderes als die Automatisierung komplexer Zellbiologie. Je näher man an die tatsächliche biologische Funktion kommt, desto schwieriger werden Standardisierung, Reproduzierbarkeit und Interpretation.

Eine aktuelle Übersicht zu Self-Driving Labs in der Zellkultur zeigt entsprechend, dass gerade Zellkultur bislang deutlich schwieriger zu automatisieren ist als etwa chemische oder materialwissenschaftliche Experimente. Ein vollwertiges selbststeuerndes Zellkulturlabor muss nicht nur Experimente ausführen, sondern Ergebnisse quantifizieren und analysieren und daraus die nächsten Experimente auswählen.

Auch die Forschung zu KI-gestützter Bioprozessautomatisierung kommt zu einem ähnlichen Schluss: Für die nähere Zukunft sind hybride Systeme mit menschlicher Kontrolle realistischer als vollständig autonome Labore. Biologische Komplexität, Sicherheits- und Regulierungsanforderungen sowie die Übertragung von Ergebnissen auf größere Maßstäbe setzen der Autonomie Grenzen.

Ein Markt wandelt sich

Adaptyv ist deshalb nicht einfach ein weiteres Robotik-Start-up. Das Unternehmen sitzt an einer Schnittstelle aus Lab Automation, Synthetic Biology, Microfluidics, Machine Learning und Protein Engineering. Genau diese Konvergenz macht den aktuellen Automatisierungsschub interessant.

Der klassische Markt für Laborautomation ist längst etabliert. Liquid Handler, Roboterarme, Plattenleser und automatisierte Workstations gehören in vielen Pharma- und Diagnostiklaboren zum Standard. Der weltweite Markt für Laborautomation wurde für 2025 auf rund 6,6 Mrd. US-Dollar geschätzt und soll laut einer aktuellen Marktanalyse bis 2031 auf knapp 9,8 Mrd. Dollar wachsen.

Neu ist weniger die Existenz der Roboter als ihre Verknüpfung mit Software und KI. Automation wird zunehmend modularer und digitaler. In Europa werden flexible Systeme beispielsweise genutzt, um einzelne Schritte wie Probenvorbereitung oder Liquid Handling zu automatisieren und anschließend weitere Module anzuschließen.

Auch Deutschland spielt dabei eine Rolle. Der deutsche Markt für Laborrobotik soll laut einer Marktanalyse bis 2030 auf rund 200 Mio. US-Dollar wachsen und damit der größte europäische Einzelmarkt werden.

Doch die neuen Automatisierungsentwickler verändern die Wettbewerbslandschaft. Auf der einen Seite stehen etablierte Anbieter von Laborinstrumenten und Automationssystemen. Auf der anderen entstehen Start-ups, die versuchen, die gesamte Forschungskette softwareseitig zu orchestrieren. Die entscheidende Frage lautet daher künftig nicht mehr nur: Kann ein Labor einen Roboter einsetzen? Sondern: Kann die gesamte Infrastruktur von einer Software gesteuert werden?

KI-Firmen setzen Standards

Ein Hinweis darauf kommt aus einer unerwarteten Ecke. Ende August stellte Anthropic einen „Model Hardware Standard“ vor, mit dem KI-Agenten physische Geräte wie Mikroskope, Roboterarme oder Liquid Handler ansteuern können. Damit soll die Verbindung zwischen KI-Agenten und wissenschaftlichen Instrumenten standardisierter werden. Das ist ein wichtiger Schritt: Wenn KI-Agenten künftig nicht mehr nur Software bedienen, sondern auch Laborgeräte, wird die Schnittstelle zwischen „digitaler“ und „physischer“ Forschung zu einer eigenen technologischen Ebene.

Während überall das Thema Rechenleistung und der Aufbau von Kapazitäten von Datenzentren diskutiert wird, ist im Labor die Rechenleistung nur das eine Standbein, das andere ist, ob die gesamte Geräteinfrastruktur digital vernetzt ist und automatisch angesteuert werden kann, nicht nur zur Kontrolle.