Pipettieren ist eine zentrale Tätigkeit in der Laborarbeit, und selbst kleine Fehler können Versuchsergebnisse beeinflussen, die Effizienz verringern und die Kosten erhöhen. Das Smart-Pipetting-Projekt konzentriert sich darauf, Sensordaten zu nutzen, um dem Anwender direktes Feedback zu geben und durch die Entwicklung von Modellen mithilfe von Machine Learning und Deep Learning zu einem tieferen Verständnis des Pipettierprozesses beizutragen.
Ein zentrales Ziel des Projekts ist es, besser zu erkennen, was pipettiert wird und wie die Flüssigkeit pipettiert wird, und diese Informationen zu nutzen, um Pipettierparameter automatisch anzupassen. So könnten elektronische Pipetten durch die Erkennung von Unterschieden zwischen Flüssigkeiten und das Identifizieren von Fehlern ihre Einstellungen anpassen, um die Leistung zu verbessern und die Nutzerin oder den Nutzer zu warnen, wenn ein Fehler gemacht wurde. Ein weiteres Ziel ist es, den Pipettierprozess nachvollziehbarer zu machen und besser zu dokumentieren.
Um dies zu erreichen, verwendet das Projekt elektronische Pipetten, die mit Sensoren ausgestattet sind und Messgrößen wie Motorstrom, Druck und weitere prozessbezogene Signale erfassen. Diese Datenströme machen es möglich, das Pipettierverhalten im Detail zu analysieren.
Um eine solche Analyse zu ermöglichen, werden gezielte Experimente konzipiert und durchgeführt, um große Datenmengen zu erzeugen. Dabei werden Faktoren wie Flüssigkeitstyp, Fehlerbedingungen und weitere relevante Parameter systematisch variiert, um einen umfassenden Datensatz für die Modellentwicklung und -bewertung zu erstellen. Durch den Einsatz von Robotik können die Messungen reproduzierbar durchgeführt und ein hoher Probendurchsatz erreicht werden.
Der erzeugte Datensatz wird genutzt, um verschiedene Analyseverfahren, einschließlich Machine Learning und Deep Learning, auf die aufgezeichneten Daten anzuwenden und Vorhersagen daraus zu generieren. So haben wir beispielsweise ein Modell trainiert, das den Motorstrom der Pipette nutzt, um Fehler wie die Luftaspiration zu erkennen.
Dieses Projekt wird in Zusammenarbeit mit der Eppendorf Liquid Handling GmbH realisiert, einem führenden Hersteller von Laborbedarf wie beispielsweise Pipetten.
Publikationen
Marcel Von Lehe, Udo Van Stevendaal, Simon Zum Felde, Maria Maleshkova
IEEE International Symposium on Artificial Intelligence for Instrumentation and Measurement (AI4IM)
Letzte Änderung: 6. August 2026