megorei / banan.io
Agenten im Labor
ELN, Chemotion, Boltz-2. Das Labor ist der erste Ort wo Agenten wirklich in Daten leben — nicht nur darauf zugreifen.
Das Labor hat schon immer Daten gesammelt.
Electronic Lab Notebooks existieren seit den 90ern. Forscher dokumentieren Experimente, Protokolle, Messwerte, Reagenzien, Geräte. Das ist keine KI-Geschichte — das ist Wissenschafts-Infrastruktur.
Was sich gerade ändert: diese Daten sind mit einem Agenten verbindbar. ELN + Agent = ein System das nicht nur dokumentiert, sondern aus der Dokumentation lernt, Muster erkennt, nächste Schritte vorschlägt.
Das Labor ist deshalb besonders: die Daten sind strukturiert, fachlich tief, nicht öffentlich verfügbar. Ein Modell das auf PubMed trainiert ist, weiß nichts über das was in diesem Labor in den letzten fünf Jahren passiert ist.
Der Vorteil des Lab-Agenten ist kein besseres Modell.
Es ist die lokale Datenbasis.
Das ELN als agentic Plattform.
Chemotion ist das führende Open-Source-ELN für Chemie. Es versteht Moleküle: Strukturen, Reaktionen, Stöchiometrie, Reagenzien. Es hat einen Wissensgraphen der BFO-konform ist und SPARQL-Queries erlaubt.
Reagent ist der agentic Layer darauf: Rails 8.1, maker-* Architektur, MCP-Tools die Chemotion-Operationen als Werkzeuge für Agenten exponieren. Ein Agent der Reagent versteht kann Experimente planen, Proben anlegen, Ergebnisse auswerten.
Das ist der Unterschied zu "KI für Forschung": das ist kein Chatbot der PubMed kennt. Das ist ein Agent der in den eigenen Labordaten lebt.
Molekulare KI
für Wirkstoffforschung.
Boltz-2 ist das aktuelle State-of-the-Art Modell für Protein-Ligand-Interaktion. Es sagt vorher wie sich ein kleines Molekül an ein Protein bindet — und mit welcher Affinität. Das ist Wirkstoff-Screening mit KI.
Was bisher ein Labor-Jahr kostete — tausende Verbindungen synthetisieren und testen — lässt sich jetzt computational vorfiltern. Boltz-2 sagt welche Kandidaten es wert sind, im echten Labor getestet zu werden.
Der Loop: Boltz-2 sagt Strukturen voraus → ELN-Agent plant Synthese → SILA-Gerät führt aus → Ergebnis zurück ins ELN → Boltz-2 lernt aus dem Ergebnis.
Die Schleife aus Prediction, Synthese und Feedback
ist das, was "agentic science" bedeutet.
SPARQL statt SQL.
Relationale Datenbanken sind für Tabellen gebaut. Chemisches Wissen ist ein Graph: Substanzen haben Eigenschaften, Reaktionen verbinden Substanzen, Reagenzien haben Gefahrenklassen, Protokolle referenzieren Geräte.
Chemotion hat einen BFO-konformen Wissensgraphen. BFO — Basic Formal Ontology — ist ein Standard der alle Entitäten in eine konsistente Hierarchie bringt, cross-domain interoperabel.
Was das bedeutet: ein Agent kann SPARQL-Queries stellen die eine relationale DB nie beantworten könnte. "Welche Substanzen wurden sowohl in Reaktionstyp A als auch B eingesetzt und haben dabei immer Ausbeuten über 75% erzielt?"
PREFIX chemo: <https://chemotion.net/onto/>
SELECT ?reaction ?yield ?date
WHERE {
?reaction chemo:usesReagent ?substanz .
?substanz chemo:inchiKey "BQJCRHHNABKAKU-..." .
?reaction chemo:yield ?yield .
?reaction chemo:date ?date .
FILTER(?yield > 0.75)
}
ORDER BY DESC(?yield)
Das Labor der nächsten Phase.
Was Chemotion wirklich ist —
fünf Schichten.
Chemotion ist nicht "ein ELN". Es ist gleichzeitig fünf verschiedene Dinge — und genau darin liegt sein strategischer Wert als Plattform für agentic Forschung.
Benchling dominiert Biotech. Chemotion dominiert Open Chemistry. Verschiedene Märkte — aber derselbe Trend: proprietäre Schemas verlieren gegen Offenheit.
Der Agentic Layer —
vollständige Architektur.
Reagent ist nicht Chemotion. Reagent ist der autonome Layer auf Chemotion: eine Rails 8.1 Applikation die Chemotion-Operationen als MCP-Tools für Agenten exponiert.
Die zentrale Sicherheitsmechanik: Chemotion::Record < ApplicationRecord mit before_create { raise "read-only" } — Reagent kann Chemotion-Daten lesen, nie schreiben. Alle Schreiboperationen gehen über die offizielle Chemotion-API.
Stack: Rails 8.1 / Ruby 4.0 + maker-* Gems als MCP-Tool-Framework + SQLite primär (SQLite ist der Default — nicht PostgreSQL) + Chemotion PostgreSQL als read-only Source.
# SQLite primär — nicht PG
# Chemotion PG: read-only
Drei Wege zu chemischem Wissen —
je nach Frage.
Nicht jede Frage braucht dieselbe Abfrage-Infrastruktur. Die Drei-Tier-Architektur wählt automatisch die richtige Schicht für die richtige Frage.
inchikey: "BQJCR..."
)
Direkt gegen PostgreSQL. Millisekunden. Für bekannte Verbindungen mit direktem Schlüssel.
.reactions(
reagent_id: 42
)
Chemotion REST API. Strukturierte Abfragen über Reagenzien, Reaktionen, Proben-Beziehungen.
Chemotion-KG
(BFO-konform)
Fragen die relationale DBs nicht beantworten können. Strukturelle Ähnlichkeit, Cross-Reagenz-Queries, semantische Beziehungen.
Drei echte Queries
gegen den Chemotion-KG.
Endpoint: ditrare.ise.fiz-karlsruhe.de/chemotion-kg/sparql. Diese Queries sind nicht hypothetisch — sie laufen gegen die Live-Infrastruktur.
PREFIX chemo: <...>
SELECT ?r ?yield ?date
WHERE {
?r chemo:usesReagent ?s.
?s chemo:inchiKey "BQJC...".
?r chemo:yield ?yield.
FILTER(?yield > 0.75)
}
ORDER BY DESC(?yield)
PREFIX chemo: <...>
SELECT ?r ?type
WHERE {
?r a chemo:Reaction.
?r chemo:condition ?c.
?c chemo:thermal "exotherm".
?c chemo:solvent "none".
?r chemo:type ?type.
}
PREFIX chemo: <...>
SELECT ?s
WHERE {
?rA chemo:type "TypeA";
chemo:usesReagent ?s.
?rB chemo:type "TypeB";
chemo:usesReagent ?s.
FILTER(?rA != ?rB)
}
BFO — warum die Wahl
der Ontologie entscheidet.
Basic Formal Ontology (BFO) ist nicht nur ein Standard für Chemie. BFO ist der weltweit breiteste formale Ontologie-Rahmen — ISO 21838-2, kompatibel mit OBO Foundry, SNOMED CT, Gene Ontology.
Was das konkret bedeutet: Chemotion-Daten können mit Biologie-Datenbanken, Medizin-Ontologien und anderen Wissenschafts-Domains verknüpft werden. Das ist keine theoretische Möglichkeit — das ist der Grund warum Chemotion in NFDI4Chem (Nationale Forschungsdateninfrastruktur) integriert ist.
Die Alternative: Benchling, LabArchives, Quartzy — alle mit proprietären Schemas. Kein SPARQL, kein federated Query, kein Cross-Domain-Join. Daten die eingesperrt sind.
BFO ist nicht Akademiker-Overkill.
BFO ist Interoperabilität die Jahrzehnte hält.
Gleiche Hierarchie gilt für Biologie, Medizin, Physik. Cross-Domain-Query möglich.
Spektren-Interpretation
als Agent-Pipeline.
NMR-Spektren zu interpretieren ist heute ein manueller Prozess: Forscher schaut Peaks an, vergleicht mit Referenzspektren in der Literatur, schreibt Interpretation in das ELN. Für eine Verbindung: 20–60 Minuten.
Als Agent-Pipeline:
- Analysis-Agent — Peaks identifizieren, Multiplizitäten, Kopplungskonstanten auslesen. Strukturvorschläge basierend auf bekannten Fragmenten.
- Literature-Agent — Vergleich mit Chemotion-Repository + PubChem (500M+ Verbindungen). Ähnliche Spektren finden. Konfidenz-Score.
- Report-Agent — Automatischer Analyse-Bericht. Typst-Template, PDF-Export, direkte ELN-Einbuchung.
Was heute 45 Minuten dauert: unter 3 Minuten. Der Forscher reviewt die Interpretation — er macht sie nicht mehr von Hand.
45 Min manuell → <3 Min mit Agent. Forscher reviewt, entscheidet nicht von Hand.
Cannabis-ELN —
dieselbe Infrastruktur.
Cannabis-Biochemie ist Chemie. THC, CBD, CBG, Terpene — alle analysierbar mit denselben Werkzeugen die Chemotion für organische Chemie bereitstellt.
Das ist die nicht-offensichtliche Verbindung zwischen dem Labor-Agenten und der Cannabis-Plattform: dasselbe chemische Wissensgraph-Paradigma. Andere Domain — gleiche Infrastruktur.
Was konkret möglich ist:
- COA-Parsing — Certificate of Analysis aus Labors automatisch in Knowledge-Graph einlesen. Heute: PDFs die niemand strukturiert liest.
- Terpenprofil-Normierung — Heute: mg/g vs. % vs. ppm je nach Labor inkonsistent. Mit Chemotion-KG als Infrastruktur: einheitliche Einheit, cross-lab vergleichbar.
- Strain-Biochemie-Graph — 123.000+ Strain-Nodes (Terroir) verbunden mit Terpenprofil-Daten aus Chemotion. Das ist die Verbindung zwischen Genetik und Chemie.
Die Konkurrenz — und warum
Offenheit gewinnt.
$6.1B Bewertung. Dominant in Biotech und Pharma. Einfach, cloud-only, gut integriert. Kein SPARQL, kein Open-Source, proprietäre Schemas. Daten sind eingesperrt — im günstigsten Fall als CSV-Export.
LabArchives: cloud-only, kein KG, keine SPARQL. Gut für Dokumentation, schlecht für Datenintegration. Quartzy: Inventory-fokussiert, nicht ELN. Für kleine Teams ohne Infrastruktur-Anforderungen.
Open-Source, NFDI-finanziert, BFO-konform, SPARQL-fähig, federated. Defensibler durch Offenheit — nicht trotz ihr. Die Community und das Öffentliche-Gut-Argument sind ein Moat gegen kommerzielle Konkurrenz.
Neue Generation: KI-Features, bessere UX, mobile-ready. Aber: noch proprietär, noch keine SPARQL-Integration, noch keine BFO-Compliance. Bewegen sich in Richtung Chemotion — nicht von dort weg.
Das Labor lebt
in seinen Daten.
Das Labor ist kein Sonderfall. Es ist das klarste Beispiel für das, was Domain-Agenten leisten wenn die Datenbasis vorhanden ist: kein generisches Modell, kein Chat-Interface. Ein Agent der wirklich in seiner Domain lebt.