Pipettieren ist eine zentrale T\u00e4tigkeit in der Laborarbeit, und selbst kleine Fehler k\u00f6nnen Versuchsergebnisse beeinflussen, die Effizienz verringern und die Kosten erh\u00f6hen. 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 Verst\u00e4ndnis des Pipettierprozesses beizutragen.<\/p>\n\n\n\n
Ein zentrales Ziel des Projekts ist es, besser zu erkennen, was pipettiert wird und wie die Fl\u00fcssigkeit pipettiert wird, und diese Informationen zu nutzen, um Pipettierparameter automatisch anzupassen. So k\u00f6nnten elektronische Pipetten durch die Erkennung von Unterschieden zwischen Fl\u00fcssigkeiten 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.<\/p>\n\n\n\n
Um dies zu erreichen, verwendet das Projekt elektronische Pipetten, die mit Sensoren ausgestattet sind und Messgr\u00f6\u00dfen wie Motorstrom, Druck und weitere prozessbezogene Signale erfassen. Diese Datenstr\u00f6me machen es m\u00f6glich, das Pipettierverhalten im Detail zu analysieren.<\/p>\n\n\n\n
Um eine solche Analyse zu erm\u00f6glichen, werden gezielte Experimente konzipiert und durchgef\u00fchrt, um gro\u00dfe Datenmengen zu erzeugen. Dabei werden Faktoren wie Fl\u00fcssigkeitstyp, Fehlerbedingungen und weitere relevante Parameter systematisch variiert, um einen umfassenden Datensatz f\u00fcr die Modellentwicklung und -bewertung zu erstellen. Durch den Einsatz von Robotik k\u00f6nnen die Messungen reproduzierbar durchgef\u00fchrt und ein hoher Probendurchsatz erreicht werden.<\/p>\n\n\n\n
Der erzeugte Datensatz wird genutzt, um verschiedene Analyseverfahren, einschlie\u00dflich 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.<\/p>\n\n\n\n
Dieses Projekt wird in Zusammenarbeit mit der Eppendorf Liquid Handling GmbH<\/abbr> realisiert, einem f\u00fchrenden Hersteller von Laborbedarf wie beispielsweise Pipetten.<\/p>\n\n\n\nPublikationen<\/h3>\n\n\n\n
![\"Publikation](\"\/wp-content\/themes\/hsu\/img\/dummy\/downloads_dummy.png\")
<\/div>