MacMalschman: Intelligente Sensorik und KI für 3D-Gewebemodelle: Kontinuierliche Qualitätskontrolle in Bioreaktoren

Executive Summary

Forschende des Fraunhofer-Zentrums für Sensor-Intelligenz ZSI (Institutsverbund IBMT und IZFP) haben ein modulares Sensorsystem mit KI-Integration entwickelt, das die Herstellung von 3D-Zellmodellen in Bioreaktoren kontinuierlich überwacht und optimiert[1][2]. Dazu wurde ein kommerzieller Bioreaktor für kugelförmige Zellaggregate (Sphäroide) mit zwei Sensorebenen ausgestattet: Elektrochemische Sensoren messen in Echtzeit wichtige Medium-Parameter (Glukose, Laktat, gelöster Sauerstoff, pH-Wert, Temperatur), während optische Kameras Zellaggregate erkennen, zählen und in ihrer Morphologie beurteilen[3][4]. Mit Hilfe einer Edge-KI auf der MAUS-Plattform (Multimodale Autarke Sensorplattform des Fraunhofer IZFP) werden die Sensordaten vor Ort ausgewertet: Ein neuronales Netz klassifiziert die Sphäroide in Millisekunden[4]. Das Ergebnis ist eine kontinuierliche Qualitätskontrolle im laufenden Prozess (Process Analytical Technology, PAT), die objektiv, automatisierbar und label-free erfolgt[5].

Im Vergleich zur bisherigen Praxis, bei der die Qualität von 3D-Gewebemodellen erst am Prozessende manuell geprüft wird, minimiert das neue System Risiken von Materialverlust und langen Wartezeiten. Es ermöglicht zudem das Echtzeit-Feedback und die Steuerung des Kultivierungsprozesses[5]. Dadurch eröffnen sich zahlreiche Anwendungsfelder: pharmakologische Wirkstofftests ohne Tierversuche, personalisierte Medizin mit patienteneigenen Organoiden sowie effizientere Produktionsverfahren in Biotech und Pharma. Besondere Bedeutung erlangen Tier-freie Testsysteme angesichts neuer Regulierungen (z.B. EU-3R-Richtlinie, FDA Modernization Act)[6][7].

Trotz hoher Innovationskraft stehen technische Herausforderungen (Sensorgenauigkeit, Kalibrierung, Integration), KI-spezifische Fragen (Datenverfügbarkeit, Validierung, Erklärbarkeit) und regulatorische Unsicherheiten an. Die Zulässigkeit solcher KI-Systeme richtet sich nach EU-Medizinprodukte- und KI-Verordnung (AIA, MDR/IVDR)[8][9]. Ethische Aspekte betreffen u.a. den Datenschutz (Datensouveränität) und den Beitrag zur Reduktion von Tierversuchen. Wirtschaftlich ist mit deutlichem Marktpotenzial zu rechnen: Schätzungen erwarten ein Wachstum des globalen 3D-Zellkulturmarkts von etwa 2,3 Mrd. USD (2025) auf über 5 Mrd. USD (2030)[10].

Empfehlungen umfassen den Ausbau von Forschungskooperationen (insbesondere interdisziplinär), Standardisierungsbemühungen für Sensoren und KI-Modelle sowie die frühzeitige Einbindung von Aufsichtsbehörden. Solche Maßnahmen sollen sicherstellen, dass intelligente Sensorplattformen und KI-Lösungen schnell und verantwortungsvoll in industriellen Prozessen Einzug halten, um die Qualität 3D-biotechnologischer Produkte nachhaltig zu steigern.

Einführung: 3D-Gewebemodelle und Bioreaktoren

3D-Zellmodelle (wie Sphäroide und Organoide) auf Basis von Stammzellen sind heute in der biomedizinischen Forschung unverzichtbar. Sie imitieren menschliches Gewebe oder Organe besser als klassische 2D-Kulturen und liefern realistischere Daten für Wirkstoffscreening und Toxizitätsprüfungen. Mit ihnen lassen sich etwa Krebsmodelle oder Gehirn-/Herzgewebe im Reagenzglas züchten. Seit dem Inkrafttreten der EU-Tierversuchsrichtlinie (2010/63/EU) und der wachsenden Industrieeinbindung alternativ geforderter 3R-Modelle wird die Forschung intensiv von Regulatoren und Ethikern gefördert[6][7].

Allerdings ist die Produktion von 3D-Zellaggregaten äußerst komplex und kostspielig[1]. Stammzellmedien sind sehr teuer, und die Kultivierung braucht meist mehrere Tage bis Wochen. Klassisch wird die Qualität der Modelle erst nach Abschluss eines Batch-Prozesses per Mikroskopie oder Endpunkt-Analyse geprüft. Dies birgt das Risiko erheblicher Materialverluste: Scheitert ein Ansatz kurz vor dem Ende, sind Ressourcen wie Medien und Arbeitszeit umsonst eingesetzt.

Hier setzt das Fraunhofer-Vorhaben SpheroSense an: Es integriert Sensorik und KI in den Bioprozess, um laufend (online) zu messen und zu bewerten[2][5]. Diese Vorgehensweise entspricht modernen Konzepten der pharmazeutischen Prozesskontrolle, wie Process Analytical Technology (PAT) und Continuous Process Verification, die von FDA und EMA gefordert werden[5][11]. Ziel ist eine objektivere, automatisierte Qualitätskontrolle, die direkt in den Betrieb verankert ist (Label-free, ohne Eingriff in die Zellen)[5].

Technische Umsetzung: Sensorplattform MAUS und KI-Integration

Das Kernstück der Fraunhofer-Lösung ist die Multimodale Autarke Sensorplattform (MAUS) des IZFP, verbunden mit Expertise des IBMT in Zellkultur. MAUS ist eine modulare IIoT-Hardwareplattform: ein Stecksystem mit zentralem Prozessormodul, das über integrierte Analog-Digital-Wandler zahlreiche Sensordaten gleichzeitig erfassen kann[12]. Energieeffizient gestaltet, kann MAUS auch ohne permanente Stromzufuhr (batterie- oder solarbetrieben) betrieben werden[13]. Verschiedene Kommunikationsmodule (WLAN, LTE, Bluetooth, NFC, LoRaWAN, etc.) erlauben die drahtlose Anbindung an Datenräume oder Endgeräte[14][15].

Zur Überwachung der 3D-Zellkultur im Bioreaktor wurden zwei Sensorebenen realisiert[2][4]:
- Elektrochemische Sensoren: Eine Sensorleiste misst kontinuierlich Glukose, Laktat, gelösten Sauerstoff (pO₂), pH-Wert und Temperatur im Medium. Diese Parameter spiegeln den Stoffwechselstatus der Zellen wider (z.B. Verbrauch von Nährstoffen, Sauerstoffbedarf, Säurebildung)[3]. Sie sind über das MAUS-Modul (ADC-Eingänge) mit der Edge-KI verbunden.
- Optische Kameras: Zwei Kamerasysteme filmen die Sphäroide direkt im Reaktor: Eine In-situ-Kamera blickt auf die rotierenden Kulturgefäße und erfasst Sphäroide in Suspension, eine Mikrofluidik-Kamera analysiert Zellaggregate, sobald sie durch einen Mikrokanal geleitet werden[4]. So entstehen in Echtzeit Bilder der Zellhaufen und ihrer Bewegungsmuster.

Abbildung: Forscher des Fraunhofer IBMT richten Kameras und Sensoren an einem Bioreaktor für 3D-Sphäroide ein. Dieses Setup mit zwei Sensorebenen ermöglicht die Online-Analyse von Zellmodellen (Bild: Fraunhofer IBMT, Bernd Müller).

MAUS fungiert als Edge-Computing-Einheit: Alle Sensordaten laufen hier zusammen, werden vor Ort vorverarbeitet (z.B. Datenfusion, Vorfilterung) und per integrierter KI-Auswertung bewertet. Anschließend werden die Ergebnisse (Features, Klassifikationen, Trendanalysen) an eine Datenbank weitergeleitet[4]. Ein wesentlicher Vorteil ist dabei die Datensouveränität: Standardmäßig bleiben alle Prozessdaten lokal beim Anwender und müssen nicht extern in der Cloud verarbeitet werden[16].

Sensorarten, Messgrößen und Schnittstellen

Komponente	Messgröße / Aufgabe	Schnittstelle / Kommunikation
Elektrochemische Sensoren	Glukose, Laktat, gelöster Sauerstoff, pH, Temperatur – Umgebungsparameter im Kulturmedium	Analoge Sensoren an MAUS (integrierter ADC); kabel- oder NFC-Anbindung in Reaktorröhrchen[3][15]
Optische Kameras	Bilder von 3D-Zellaggregaten (Größe, Form, Anzahl)	Digitale Kamera-Schnittstelle zum MAUS (Video-Feed)[4]
Funkmodule (Bluetooth/NFC)	Wireless-Module für Sensor- und Energieübertragung	NFC-Spule (3D-gedruckt) im Reaktortubus; Bluetooth-Funkmodul zur Datenübertragung[17]
MAUS Edge-Unit	Zentrale Datenfusion, KI-Analyse, Daten-Logging	Hochleistungsprozessor mit integriertem ADC, Speicher und Kommunikations-Interfaces[12][4]

Die elektrochemischen Sensoren stammen in der Regel aus dem Bereich der biochemischen Prozessmesstechnik (z.B. enzymatische Biosensoren für Glukose und Laktat, optische O₂-Sensorfolien). Die Fraunhofer-Teams entwickelten bzw. integrierten sie modular in das MAUS-System. Die Kameras sind handelsübliche Miniaturkameras, die mit geeigneter Optik und Beleuchtung das Bildsignal liefern. Besonders innovativ ist die Funkkopplung der Sensoren: So wird in SpheroSense etwa eine mittels 3D-Leiterplatten-Druck hergestellte NFC-Spule eingesetzt, um Sensoren kontaktlos mit Strom zu versorgen und auszulesen[17]. Über ein Bluetooth-Modul werden die Daten drahtlos an die Auswerteeinheit übertragen – ohne störende Kabel im sterilen Bioreaktor[17].

KI-Methoden und -Architekturen

Für die Auswertung der Sensordaten kommen unterschiedliche Machine-Learning-Verfahren zum Einsatz. Im SpheroSense-Projekt liegt der Schwerpunkt auf der Bildanalyse mittels neuronaler Netze. Typischerweise werden Convolutional Neural Networks (CNN) eingesetzt, um in den Kamerabildern Sphäroide zu erkennen, zu segmentieren und nach Qualitätskriterien zu klassifizieren[4]. Dabei ist das Trainingsdaten-Set ein Schlüsselelement: Um die KI zu trainieren, benötigen die Forscher annotierte Bilder mit markierten Zellaggregaten (Größe, Defekte). In der Praxis lässt sich dies zum Beispiel durch manuelles Labeln und Augmentation (Rotation, Skalierung) generieren. Die Validierung solcher Modelle erfolgt durch getrennte Testdatensätze; eine hohe Trefferquote bei der Objekterkennung (z.B. >90 %) ist Ziel.

Neben Bild-KI kann klassisches maschinelles Lernen (z.B. Random Forest, Support Vector Machine) eingesetzt werden, um aus den zeitlichen Sensorprofilen (Glukoseverbrauch, pH-Verschiebung) physikalische Kennzahlen abzuleiten. Solche Methoden benötigen flache Merkmalsvektoren (z.B. Endkonzentration, Änderungsrate) als Input. Sie können beispielsweise Fehler im Stoffwechsel frühzeitig erkennen. Der Vorteil klassischer Modelle liegt oft in ihrer Interpretierbarkeit – man kann leichter nachvollziehen, welche Sensorwerte für eine bestimmte Vorhersage ausschlaggebend waren.

Moderne KI-Systeme fordern jedoch Erklärbarkeit (Explainability). Gerade in regulierten Bereichen wie der Arzneimittelherstellung müssen Modelle nachvollziehbar sein. Techniken wie Saliency Maps oder LIME/SHAP-Analysen können im Nachhinein aufzeigen, welche Pixel (bei Bildern) oder Features (bei Sensordaten) das Modell zur Entscheidung herangezogen hat. In den ersten Prototypen von SpheroSense wird dieser Punkt noch offen gelassen (nicht spezifiziert). Künftige Ausbaustufen könnten explizite XAI-Module einbinden, um Sicherheit und Vertrauen zu erhöhen.

KI-Methode	Eingabedaten	Zweck / Output	Beispiel-Algorithmen	Erklärbarkeit
CNN (Deep Learning)	Kamerabilder von Sphäroiden	Erkennung/Klassifikation von Zellaggregaten (Größe, Anzahl, Morphologie)[4]	ResNet, U-Net, YOLO, andere CNN-Architekturen	Gering (Black-Box), evtl. Visualisierung durch Heatmaps
Überwachtes ML	Numerische Sensor-Features (Glukosekurven, pH-Werte usw.)	Zustandsvorhersage (z.B. Anomalieerkennung im Stoffwechsel)	Random Forest, Support Vector Machine	Höher (Feature-Analyse möglich)
Erklärbare KI (XAI)	Vorhersage-/Klassifizierungsergebnisse	Aufbereitung von Modellentscheidungen für Nutzer	LIME, SHAP, Deep-Taylor, Grad-CAM	Hoch (vermittelt Einblicke in Entscheidungsbasis)

Daten- und Entscheidungs-Pipeline

flowchart LR
    ElectroSensors[Elektrochemische Sensoren (Glukose, pH, ...)] --> MAUS(MAUS Edge-Device)
    OpticalCameras[Kameras (In-situ + Mikrofluidik)] --> MAUS
    MAUS --> KI_Auswertung[KI-Analyse (Edge-Computing)]
    KI_Auswertung --> Datenbank((Datenbank))
    KI_Auswertung --> Qualitätskontrolle[Qualitätsbewertung]
    Qualitätskontrolle --> Prozesssteuerung[Prozessanpassung / Alarmsystem]
    Prozesssteuerung --> Bioreaktor[Bioreaktor]
    Datenbank --> Monitoring[Prozess-Monitoring / Reporting]

Abbildung: Flussdiagramm der Daten- und Entscheidungs-Pipeline in SpheroSense. Alle Sensoren speisen Daten in die MAUS-Einheit, wo die KI vor Ort eine Qualitätsbewertung vornimmt. Diese wird sowohl in einer Datenbank abgespeichert als auch zur Prozesssteuerung (z.B. Anpassung von Nährstoffzugabe) genutzt.

In dieser Pipeline fließen elektrochemische und bildbasierte Daten in die Edge-KI. Die KI bewertet die Daten in Echtzeit und speist Kennzahlen sowie Alarmmeldungen in das übergeordnete Labormanagement ein. Bei Abweichungen von Sollwerten kann automatisch eingegriffen werden (z.B. Änderung der Rührgeschwindigkeit oder Nährstoffzugabe). So werden entscheidungsrelevante Informationen ohne Verzögerung bereitgestellt. Das System arbeitet „label-free“ – Sphäroide müssen nicht markiert werden, um sie zu erkennen[5].

Anwendungen und Vorteile

Die intelligente Sensor-KI-Plattform eröffnet vielfältige Anwendungen in Forschung und Industrie. Einige exemplarische Use-Cases:

Anwendungsbereich	Beschreibung / Beispiel	Nutzen gegenüber bisherigen Methoden
Pharmazeutisches Wirkstoff-Screening	Toxizitäts- und Wirksamkeitstests: Einsatz von menschlichen 3D-Spheroiden oder Organoiden statt Tierversuchen[7][18].	Höhere Vorhersagekraft für den Menschen, Reduktion von Tierversuchen, real-time Qualitätskontrolle[18][7]
Personalisierte Medizin	Patienten-spezifische Organoide: Ableitung von 3D-Modellen aus iPS-Zellen einzelner Patienten (z.B. Tumororganoide) und Screening verschiedener Therapien.	Individuelle Therapieoptimierung, Vorhersage des Ansprechens auf Medikamente.
Bioprozess-Optimierung	Herstellung von Zelltherapeutika: Qualitätskontrolle in Bioreaktoren, die z.B. CAR-T-Zellen oder Antikörper produzieren.	Höhere Prozessstabilität, weniger Ausschuss, GxP-Konformität durch kontinuierliches Monitoring (PAT)[5].
BioTech / Farmazie-Infrastruktur	Skalierung und Standardisierung: Einsatz bei Manufacturing Execution Systems für 3D-Gewebekulturen in Forschungslabors und Produktionsanlagen.	Objektive, automatisierte Freigabeentscheidung; Datenarchivierung für regulatorische Audits.
Lebensmittelindustrie (Erweiterung)	Gewebeähnliche Nahrungsmittel: Vergleichbar zu kultiviertem Fleisch: Kontrolle von Zellkultur-Bioreaktoren mit ähnlichen Sensoren (vgl. Kultivierungs-Industrie[19]).	Einheitliche Produktion, Sensorintegration ist industrienotwendige Technologie.

In allen Fällen liegen die Vorteile in Schnelligkeit, Automatisierung und Objektivität. Anders als manuelle Endpunktmessungen liefern die Sensor-KI-Lösungen laufend Daten: Trendentwicklungen (z.B. stagnierendes Wachstum) werden sofort erkennbar. Durch die KI wird zudem eine einheitliche Bewertung möglich, losgelöst von menschlichen Fehlern oder subjektiver Beurteilung[5]. Gerade die Kosten- und Zeitersparnis sind erheblich: In der Sphäroid-Produktion ist z.B. das Zellkulturmedium sehr teuer. Ein frühzeitiges Beenden fehlerhafter Läufe vermeidet Mehrfachkulturen und Giftstoffbelastung der Zellen[5].

Ein weiterer Pluspunkt ist Multifunktionalität. Die modulare MAUS-Plattform kann leicht an neue Anwendungen angepasst werden[20]. So ist denkbar, weitere Sensorarten hinzuzufügen (z.B. mechanische Sensoren, Ultraschallmodule oder optische 3D-Imaging-Sensoren[21]), je nachdem, welche Daten die Studie erfordert. Die gleichen Prinzipien sind außerdem auf andere Zellkulturprozesse übertragbar (z.B. Stammzell-Expansionskulturen oder Kultur zellreicher Organmodelle).

Technische Herausforderungen und Limitationen

Trotz vielversprechender Ergebnisse gibt es technische und methodische Grenzen:

· Sensorgenauigkeit und -kalibrierung: Die Publikation nennt keine genauen Genauigkeitsangaben. In Bioreaktoren kann es zu Signaldrift und Cross-Talk kommen. Häufig müssen Biosensoren in-situ kalibriert werden, was steriler Umgebung entgegensteht. (Messgenauigkeit: nicht spezifiziert[3].)

· Latenz und Durchsatz: Die KI-Klassifizierung erfolgt innerhalb von Millisekunden (laut Fraunhofer: „binnen Millisekunden“[4]). Für manche Echtzeitanforderungen könnte selbst diese Verzögerung zu hoch sein, etwa wenn extrem schnelle Prozesssteuerung nötig wäre.

· Datenvolumen und -qualität: Kameras und Multisensoren erzeugen große Datenmengen. Effiziente Datenreduktion (z.B. Regions of Interest) ist essenziell. Zudem müssen Trainingsdaten repräsentativ sein: Variabilität von Zellen, Lichtbedingungen oder Blasenbildung im Medium können Fehlerquellen darstellen. Eine robuste KI muss solche Störeinflüsse kennen.

· Modellübertragbarkeit: Ein KI-Modell, das auf einem Reaktortyp trainiert wurde, muss nicht ohne weiteres auf einen anderen umsetzbar sein. Hier kann Transfer Learning helfen, doch zusätzliche Validierung ist erforderlich, etwa wenn andere Zelltypen eingesetzt werden.

· Sterilität und Integration: Die Installation von Sensoren in Bioreaktoren muss unter Reinraumbedingungen erfolgen. Jede neue Komponente (Kabel, NFC-Spule, Kamera) stellt potenziell ein Kontaminationsrisiko dar. Drahtlose Module (NFC/Bluetooth) vermindern zwar Kabelsalat, müssen aber ebenfalls steril betrieben bzw. abgeschirmt sein.

· Interoperabilität: Damit die Sensordaten nutzbar werden, ist eine einheitliche Datenarchitektur nötig (z.B. OPC UA, JSON). MAUS erlaubt viele Schnittstellen, doch im Anlagenumfeld müssen sie an bestehende Leitsysteme (SCADA, MES) angepasst werden.

Viele dieser Punkte sind (laut Fraunhofer-Presse) Teil der laufenden Forschung, da das System bereits im Routinebetrieb getestet wird[22]. Technische Metriken wie Kalibrierfehler oder Fehlerraten wurden aber in den verfügbaren Quellen nicht genannt (Somit als “nicht spezifiziert” zu kennzeichnen).

Regulatorische Anforderungen

Die Einführung einer sensorbasierten KI-Qualitätskontrolle berührt rechtliche Fragen. Ausschlaggebend ist, ob das Gesamtsystem als Medizinprodukt (MedPrG) oder als Produktionsanlage eingeordnet wird. Eine klare Norm existiert nicht, doch folgende Regelwerke sind relevant:

· EU-MDR/IVDR & KI-Act: Nach Luckner & Lauer (2025) bestimmen Zweckbestimmung und Risikoklasse eines Produktes die Einordnung in MDR (Medizinprodukt) bzw. IVDR (In-vitro-Diagnostikum)[8]. Werden die 3D-Modelle für Diagnosen oder Therapien eingesetzt, greift MDR/IVDR plus EU-KI-Verordnung (AI Act). Selbst „geringfügig“ KI-gestützte Medizintechnik fällt unter diese Richtlinien[9]. Auch wenn das Sensorfeld eher als Prozesskontrolle gilt, werden viele KI-Regeln (z.B. Risikoklassen) herangezogen: Ein Produkt, das in der Pharma- oder Klinikumgebung eingesetzt wird, muss dokumentierte Datensicherheit, Validierung und Risikomanagement vorweisen. Nach EU-KI-Act fällt eine solche KI-Lösung vermutlich in eine High-Risk-Kategorie (da sie medizinisch relevante Entscheidungen beeinflusst)[23].

FDA/EMA Guidelines: Die FDA und EMA haben in 2026 Leitprinzipien für den Einsatz von KI in der Arzneimittelentwicklung veröffentlicht[11][24]. Sie betonen Transparenz, Explainability und kontinuierliche Überwachung (siehe nebenstehende Abbildung). Für SpheroSense bedeutet das: Sämtliche Algorithmen sollten gut dokumentiert und plausibel sein, Datensätze müssen nachvollziehbar sein und die KI-Lösung sollte im Prozess nachgewiesen funktionieren (z.B. anhand eines CHMP-Pilotverfahrens).
GxP / GMP-Compliance: Egal ob Medizinprodukt oder Prozessinstrument – der Betrieb in einem pharmazeutischen Umfeld unterliegt den geltenden Guten Herstellungspraktiken (GMP). Das System muss Validierungsschritte wie IQ/OQ/PQ („Installation/Operational/Performance Qualification“) durchlaufen. Eine lückenlose Datenhistorie (Audit Trail) ist nötig, was durch die MAUS-Datenbank unterstützt wird[4].
Datenschutz (DSGVO): Liegen Patientendaten vor (z.B. patientenspezifische Zelllinien), greift die europäische Datenschutz-Grundverordnung. Die Entscheidung, ohne Cloud-Anbindung zu arbeiten, verbessert die Datensicherheit und Datenschutzkonformität[16]. Die Plattform-Architektur muss dennoch ISO-Standards (z.B. ISO 27001) oder branchenspezifische Richtlinien (z.B. VDI/VDE 2188 für ML-Systeme) berücksichtigen.

Insgesamt ist die regulatorische Landschaft im Wandel. Die EU-KI-Verordnung (AI Act) wird voraussichtlich 2025 in Kraft treten und KI-Anwendungen nach Risikoklassen einteilen. Selbstlernende Systeme und Low-Risk-Produkte (wie Überwachungssoftware) sind hier noch offen definiert[25]. Entwicklungsteams sollten daher frühzeitig mit Behörden kommunizieren und etablierte Leitlinien wie die FDA/EMA Good Machine Learning Practice berücksichtigen.

Ethische und gesellschaftliche Aspekte

Die Kombination aus 3D-Gewebemodellen und KI tangiert mehrere ethische Bereiche:

Tierschutz und Human-Relevanz: Der wohl positivste Aspekt ist die Reduktion von Tierversuchen. Durch bessere menschliche Zellmodelle kann die Biotranslationalität neuer Medikamente verbessert und Tierleid vermindert werden[6][7]. Dies steht im Einklang mit dem seit 1959 geltenden 3R-Prinzip (Replacement, Reduction, Refinement) und den aktuellen US/ EU-Initiativen zur Minimierung von Tierversuchen (z.B. FDA-Roadmap 2025)[6][7]. Ein Risiko ist allerdings, dass die Modelle eventuell doch nicht alle Komplexitäten des Menschen abbilden (z.B. Immunsystem-Interaktionen), was falsch positive oder negative Ergebnisse nach sich ziehen kann. Forscher müssen daher sicherstellen, dass 3D-Modelle validiert und ggf. hybrid mit anderen Testmethoden kombiniert werden.
Datenverantwortung: Zwar werden die Bilder der Sphäroide in der Regel anonymisiert (Zellen ohne Persönlichkeitsbezug), so bleibt jedoch etwaige Patientenhaftung bei patientenspezifischen Modellen zu beachten. Die Entscheidung, sensiblen Produktionsdaten lokal zu halten[16], entspricht dem hohen Anspruch an Vertraulichkeit in Pharma-Unternehmen.
KI-Transparenz und Bias: Die KI übernimmt Teile der Qualitätskontrolle. Hier ist es essenziell, dass Betreiber (z.B. QC-Abteilungen) Vertrauen in die Algorithmen entwickeln. Fehlerhafte Klassifikation könnten sonst zum Ausschluss brauchbarer Sphäroide oder zur Freigabe mangelhafter Chargen führen. Explainable AI und menschliche Überprüfungen bleiben daher wichtig. Ebenso muss sichergestellt sein, dass das Modell nicht unbeabsichtigt auf irrelevanten Bildmerkmalen (wie Blasen im Medium) trainiert wurde und so „Täuschungsphänomene“ vermeidet.
Gesellschaftliche Akzeptanz: Endanwender (Pharmazeuten, Ärzte) müssen die neue Technologie als vertrauenswürdige Ergänzung anerkennen. Transparente Kommunikation über Funktion und Grenzen der Sensorik- und KI-Systeme ist notwendig. Beispielsweise sollten Reinraum-Bediener geschult werden, wie und wann der KI-Report letztlich maßgeblich für Freigaben ist.

Wirtschaftliche Auswirkungen und Marktpotenzial

Der Markt für 3D-Zellkulturmodelle und zugehörige Technologien wächst rasant. Marktforscher prognostizieren, dass der globale 3D-Zellkultur-Markt von rund 2,3 Mrd. USD (2025) auf etwa 4,7 Mrd. USD (2030) anwachsen wird (CAGR ~15 %)[10]. In diesem Segment beinhaltet sind Organ-on-Chip-Systeme, Organoide, Reagenzplatten mit 3D-Kulturen und zugehörige Dienstleistungen. Allein für „Organoide & Sphäroide“ wird ein substanzieller Anteil erwartet.

Im Organo-on-Chip-Markt schätzt eine Analyse das Volumen Mitte der 2020er Jahre auf einige hundert Millionen USD, mit einer Verfünffachung bis 2030[26][10]. Pharmaunternehmen, CROs und Zulieferer investieren in diese Technik, da sie das Präklinikum revolutionieren kann. Der Technologie-Cluster „Bioreaktorsensorik + KI“ wird daher ebenfalls expandieren. Bereits heute arbeiten Firmen wie „The Cultivated B“ oder „Scentian Bio“ an KI-basierten Biosensoren für Zellkulturen[19][27] – ein Indiz dafür, dass verbesserte Prozessüberwachung branchenübergreifend als Schlüssel gilt.

Die Wirtschaftlichkeit solcher Systeme zeigt sich in mehreren Punkten:
- Kostenreduktion: Durch Vermeidung von Fehlchargen (weniger Medien- und Rohstoffverluste) amortisieren sich die Investitionen schnell. Je nach Produkt kann eine einzige stundenlange Zellkultur mehrere Tausend Euro kosten. Frühwarnsysteme sparen daher erhebliche Summen.
- Wettbewerbsfähigkeit: Anbieter, die 3D-Zellmodelle für Dienstleistung (z.B. ToxLabore) oder eigene Forschung produzieren, können mit höherer Zuverlässigkeit und schnellerem Turnaround am Markt punkten.
- Skalierungspotenzial: Der modulare Aufbau erlaubt neben der Forschungslabornutzung auch den Transfer in die industrielle Fertigung (Pilotanlagen, GMP-Herstellung). Dadurch kann der Markt für Zelltherapie-Herstellung (z.B. CAR-T-Krebszellen) tangiert werden.

Alles in allem unterstreichen die Zahlen den „Game-Changer-Charakter“ solcher Technologien[26][10]. Deutschland und Europa, mit ihrer starken Medizintechnik-Industrie (Biotech, Pharma, Medizintechnik) sowie Initiativen wie dem Fraunhofer-Gesundheitsverbund, stehen gut, um hier Schlüsselrollen zu besetzen.

Schlussfolgerungen und Empfehlungen

Die Fraunhofer-Entwicklung zeigt exemplarisch, wie Smarte Sensorik und KI gemeinsam die nächste Generation biotechnologischer Prozesse ermöglichen. Eine Zusammenfassung der wichtigsten Erkenntnisse:

· Ganzheitliche Qualitätskontrolle: Die Integration von multi-sensorischer Messung und KI erlaubt erstmals eine durchgängige Überwachung in 3D-Zellkultur-Bioreaktoren. Damit werden Zeitverluste vermieden und die Qualität der Gewebemodelle steigt (objektive Bewertung statt subjektiver Stichproben)[5].

· Technologieoffenheit: Die modulare MAUS-Plattform kann weitere Sensoren aufnehmen und schnell an neue Anforderungen angepasst werden[20]. Dies ist entscheidend, weil die Anforderungen in Biotech, Pharma oder Zelltherapie schnell wechseln können.

· Regulatorischer Ansatz: Der frühe Schulterschluss mit Behörden wird empfohlen. Die Teams sollten die aktuellen Guidelines zur KI-Qualitätssicherung (EMA/FDA, EU AI Act, MDR/IVDR) bei der weiteren Entwicklung im Blick behalten[8][11]. Schon bei Studienbeginn könnte eine wissenschaftliche Beratung (z.B. EMA Innovation Task Force) sinnvoll sein.

· Interdisziplinäre Forschung: Weitere Forschung ist nötig in KI-Erklärbarkeits-Methoden, robusten Trainingsdaten für Zellbilder und standardisierten Bioreaktorprotokollen. Kooperationen zwischen Ingenieuren, Biologen, Datenwissenschaftlern und Ethikern sind hierfür essenziell.

Empfehlungen für Politik und Industrie umfassen: Förderung von Demonstrationsprojekten (z.B. Förderprogramme für PAT-Innovationen), Harmonisierung von Standards (z.B. für 3D-Zellkultur-Charakterisierung) und Schaffung eines Vertrauensrahmens (z.B. Leitlinien für KI in Medizinproduktionen). Die Kombination aus hochmodernen Sensoren, Datenanalyse und Prozesssteuerung ist ein Wegbereiter für tierversuchsfreie Forschung, effizientere Arzneimittelentwicklung und neue Bio-Produktionsverfahren. Sie verdient daher konsequente Unterstützung von Forschungseinrichtungen, Unternehmen und Regulatoren gleichermaßen.

Quellen

· Fraunhofer-Gesellschaft (2026). Intelligente Sensorik für sichere Zellproduktion[1][4] (Presseinfo).

· Vogel LABORPRAXIS (2026). KI überwacht Zellproduktion in Echtzeit[28][29] (Presseartikel).

· INDUSTR.com (2026). Echtzeitblick in den Bioreaktor: Sensorik und KI machen 3D‑Zellsphäroide sicherer[30][31].

· Luckner, S., & Lauer, W. (2025). Regulatorische Einordnung KI-basierter Produkte... Bundesgesundheitsblatt, 68, 854–861[8][9].

· GMP-Verlag (2025). Azade Pütz, Künstliche Intelligenz in der Pharmabranche[32][33] (Leitartikel).

· EMA/FDA (2026). Guiding Principles for Good AI Practice in Drug Development[11][24] (10 Leitprinzipien; engl. PDF).

· Fraunhofer ISC (2019). Human 3D Tissue Models Conference – Vermeidung Tierversuche[6][18] (Presseinfo).

· Bez-Kabli (2025). Keine Labormäuse mehr: Organ-on-a-Chip und neue FDA-Initiativen[34][35].

· Mordor Intelligence (2025). 3D-Zellkultur-Marktbericht[10].

· Cellbase (2026). David Bell, Top-Sensoren für die KI-Bioreaktorsteuerung[19][27] (Branchenblog).

· Fraunhofer IZFP (o.J.). MAUS – Flexible Sensorplattform für intelligente IIoT-Devices[12][36].

· EMA (2026). Guiding principles of good AI practice in drug development (PDF)[24][37].

[1] [2] [3] [4] [5] [15] [16] [17] [20] [22] Intelligente Sensorik für sichere Zellproduktion

https://www.fraunhofer.de/de/presse/presseinformationen/2026/februar-2026/intelligente-sensorik-fuer-sichere-zellproduktion.html

[6] [18] Neue Wege zur Vermeidung von Tierversuchen – Human 3D Tissue Models Conference in Würzburg - Fraunhofer ISC

https://www.isc.fraunhofer.de/de/presse-und-medien/presseinformationen/neue-wege-zur-vermeidung-von-tierversuchen-human-3d-tissue-models-conference.html

[7] [26] [34] [35] Keine Labormäuse mehr: Wie Organ-on-a-Chip-Technologie die Medikamententests revolutioniert - Bez Kabli

https://www.bez-kabli.pl/de/keine-labormause-mehr-wie-organ-on-a-chip-technologie-die-medikamententests-revolutioniert/

[8] [9] [23] [25] Regulatorische Einordnung KI-basierter Produkte für die medizinische Anwendung auf Basis von EU AI Act und MDR/IVDR | Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz | Springer Nature Link

https://link.springer.com/article/10.1007/s00103-025-04091-9

[10] 3D-Zellkultur-Marktgröße, Trends, Wachstum, Marktanteil & Forschungsbericht 2030

https://www.mordorintelligence.com/de/industry-reports/3d-cell-culture-market

[11] EMA und FDA legen Leitlinien für KI in der Arzneimittelentwicklung vor | heise online

https://www.heise.de/news/EMA-und-FDA-legen-Leitlinien-fuer-KI-in-der-Arzneimittelentwicklung-vor-11142480.html

[12] [13] [14] [21] [36] MAUS – Flexible Sensorplattform zur Konfiguration intelligenter IIoT-Devices - Fraunhofer IZFP