Das "Science Context Protocol" soll Forschung mit KI beflügeln

SCP erweitert diesen Ansatz in vier Richtungen: Es fügt reichhaltigere Experiment-Metadaten hinzu, führt einen zentralisierten Hub statt reiner Peer-to-Peer-Kommunikation ein, bietet intelligente Workflow-Orchestrierung über eine Experiment-Flow-API und ermöglicht die Integration von Laborgeräten mit standardisierten Treibern.

Während MCP für allgemeine Tool-Interaktionen konzipiert wurde, fehlen ihm laut den Forschern wichtige Funktionen für wissenschaftliche Workflows: eine strukturierte Darstellung kompletter Experimentprotokolle, Unterstützung für Hochdurchsatz-Experimente mit vielen parallelen Durchläufen sowie die Koordination mehrerer spezialisierter KI-Agenten. SCP soll diese Lücken schließen.

Die Spezifikation und eine Referenzimplementierung sind als Open Source auf GitHub verfügbar. Das Team sieht SCP als "grundlegende Infrastruktur für skalierbare, multi-institutionelle, agentengesteuerte Wissenschaft".

Zwei Säulen für die KI-gestützte Forschung

SCP baut auf zwei Grundpfeilern auf. Der erste betrifft die einheitliche Ressourcen-Integration: Das Protokoll definiert eine universelle Spezifikation, mit der sich wissenschaftliche Ressourcen beschreiben und aufrufen lassen. Das umfasst Software-Tools und KI-Modelle ebenso wie Datenbanken und physische Laborinstrumente. KI-Agenten sollen so Fähigkeiten über verschiedene Plattformen und Institutionen hinweg entdecken und kombinieren können.

Der zweite Pfeiler ist das orchestrierte Experiment-Lifecycle-Management. Eine sichere Service-Architektur mit einem zentralen SCP-Hub und verteilten SCP-Servern verwaltet den kompletten Lebenszyklus eines Experiments: von der Registrierung über Planung und Ausführung bis zu Monitoring und Archivierung. Das System setzt auf feingranulare Authentifizierung sowie nachvollziehbare Workflows, die sowohl rechnergestützte als auch physische Laborarbeiten umfassen.

Der Hub als Gehirn des Systems

Im Zentrum der Architektur steht der SCP-Hub, den die Forscher als "Gehirn" des Systems bezeichnen. Er fungiert als globale Registry für alle verfügbaren Tools, Datensätze, Agenten und Instrumente. Wenn ein Forscher oder KI-Agent ein übergeordnetes Forschungsziel formuliert, analysiert der Hub die Anfrage mithilfe von KI-Modellen und zerlegt sie in konkrete Aufgaben.

Das System generiert mehrere ausführbare Pläne und präsentiert die vielversprechendsten Optionen zusammen mit Begründungen wie Abhängigkeitsstruktur, erwarteter Dauer, experimentellem Risiko und Kostenschätzungen. Die ausgewählten Workflows werden in einem strukturierten JSON-Format gespeichert, das als Vertrag zwischen allen Beteiligten dient und Reproduzierbarkeit gewährleisten soll.

Während der Ausführung überwacht der Hub den Fortschritt, validiert Ergebnisse und kann bei Anomalien Warnungen ausgeben oder Fallback-Strategien auslösen. Diese Fähigkeit sei besonders wichtig bei mehrstufigen Workflows, die sowohl Simulationen als auch physische Laborexperimente umfassen, so die Forscher.

Mehr als 1.600 Tools auf einer Plattform

Auf Basis von SCP hat das Team die Intern-Discovery-Plattform aufgebaut, die derzeit über 1.600 interoperable Tools bereitstellt. Biologie macht mit 45,9 Prozent den größten Anteil aus, gefolgt von Physik mit 21,1 Prozent und Chemie mit 11,6 Prozent. Mechanik und Materialwissenschaft, Mathematik sowie Informatik teilen sich die übrigen Anteile.

Funktional dominieren Computational Tools mit 39,1 Prozent und Datenbanken mit 33,8 Prozent. Modell-Services machen 13,3 Prozent aus, Laboroperationen 7,7 Prozent und Literatursuche 6,1 Prozent. Die Tools reichen von Protein-Strukturvorhersagen über Molekül-Docking bis zu automatisierten Pipettier-Anweisungen für Laborroboter.

Anwendungsszenarien von der Protokoll-Extraktion bis zum Wirkstoff-Screening

Als mögliche Anwendungsszenarien skizzieren die Forscher mehrere Fallstudien. In einem Beispiel lädt ein Wissenschaftler ein PDF mit einem Laborprotokoll hoch. Das System soll automatisch die experimentellen Schritte extrahieren, in ein maschinenlesbares Format übersetzen und das Experiment auf einer Roboterplattform ausführen.

Ein weiteres Szenario zeigt KI-gesteuertes Wirkstoff-Screening: Ausgehend von 50 Molekülen berechnet das System zunächst Druglikeness-Scores und Toxizitätswerte, filtert nach definierten Kriterien, bereitet eine Proteinstruktur für das Docking vor und identifiziert am Ende zwei vielversprechende Kandidaten. Der gesamte Prozess soll als orchestrierter Workflow ablaufen, bei dem verschiedene SCP-Server für Datenbank-Abfragen, Berechnungen und Strukturanalysen zusammenarbeiten. Ob diese Szenarien in der Praxis funktionieren, muss sich allerdings erst noch zeigen.