Nature重磅：AI化學家再升級，大幅提升實驗效率，推動化學合成進入「智能化」新階段

人工智能（AI）驅動的機器人，正在我們的生活中扮演著越來越重要的角色，而在化學合成實驗室內，它們也在悄然改變著傳統實驗方式。 

如今， 科學家們在智能化學領域取得了新突破——

來自英國利物浦大學的研究團隊開發了一種 「智能實驗室」 ——模塊化的移動機器人平台，它可以 在實驗室中自由移動、自動添加試劑，還能自助分析數據、篩選結果，尤其在使用有機溶劑和處理危險試劑的實驗中表現出色 。 

值得一提的是，這項新研究基於「世界上第一個移動機器人化學家」，該機器人化學家在 8 天內進行了近 700 次催化實驗，全天候不停歇工作。 

研究團隊展示了該系統在超分子化學和藥物化學等領域的應用， 大幅提升了實驗效率，推動化學合成進入一個「智能化」的新階段 ，為探索化學反應機制和開發新藥物帶來了全新的可能。 

研究發現，這一由 AI 驅動的移動機器人不僅能夠做出與人類研究人員相同或相似的決策，而且 速度比人類要快得多 。 

「它可以處理分析數據集，然後做出自主決策 — 例如，是否繼續進行反應的下一步。這個決定基本上是即時的，所以 如果機器人在淩晨 3:00 進行分析，那麼它將在淩晨 3:01 決定進行哪些反應 。相比之下，人類化學家可能需要幾個小時後才能瀏覽相同的數據集。」 該論文的共同第一作者 Sriram Vijayakrishnan 解釋道。 

「我在讀博時，很多化學反應都是手工完成的。通常，收集和分析數據所花的時間和搭建實驗的時間一樣長。當你開始實現化學自動化時，這個數據分析問題就變得更加嚴重了， 你可能會被數據淹沒 。」 Vijayakrishnan 博士說。 

相關研究論文以 「Autonomous mobile robots for exploratory synthetic chemistry」 為題，已於今天發表在權威科學期刊 Nature 上。 

對此，該論文的通訊作者、利物浦大學化學系教授 Andrew Cooper 表示：「無論是在物理實驗方面，還是在決定接下來要做哪些實驗方面，化學合成研究都既耗時又昂貴，智能機器人為加速這一進程提供了一種途徑。」 

模塊化與智能化的完美融合

在傳統的化學合成中，複雜的實驗往往涉及多種試劑和步驟，需要高度精準的手動操作，才能避免實驗中出現意外，不僅危險而且繁瑣，數據分析也極具挑戰性。很多時候，實驗進展受限於人力與條件，讓化學研究者們在探索未知世界時步履維艱。 

隨著自動化和人工智能技術不斷向化學研究領域滲透，機器人逐漸走進實驗室，承擔起部分合成和分析任務。然而，現有的靜態機器人平台缺乏靈活性，難以滿足多步驟化學反應的複雜要求。 

為此，研究團隊開發了一個由多模塊單元組成的高度集成且智能化的化學實驗平台，為機器人賦予更高的靈活性。 

該系統基於 KUKA 機器人平台構建，定位精度可達 ±0.12 毫米，並配備了激光掃瞄儀和力傳感器等各種傳感器，能精確完成實驗室操作。 

圖｜用於移動 agent 處理的定製核磁共振機架。左圖：組裝好的機架預先裝有核磁共振管，並放置在 ISynth 平台內，然後液體輸送工具將液體分配到管子中，管子有帶孔的蓋子，以便分配。右圖：NMR-Agent 使用定製的指尖，使其能夠垂直和水平地抓握和移動機架。垂直握把方向用於從 ISynth 甲板上取下機架，水平握把方向用於將機架移入台式核磁共振自動采樣器。 

系統的核心控制單元是智能自動化系統控製麵板（IAS – CP），採用 ZeroMQ 通信協議，可以將實驗室的各種儀器模塊（如合成反應平台、UPLC–MS（超高效液相色譜—質譜）和 NMR（核磁共振）等）無縫連接，實現實驗數據的實時傳輸與自主分析。 

IAS-CP 可通過廣播向各實驗模塊傳遞指令，對多台儀器進行高效調度，靈活控制實驗進程，且支持非專業用戶進行簡單操作，這種靈活性使其在多步驟化學反應中的應用能力大大提升。 

不止是實驗執行者，更是數據分析師

在這項研究中，整個實驗流程中，IAS-CP 控制機器人完成從試劑添加到溶劑蒸發、攪拌加熱等操作。機器人會實時取樣，將樣品送至 UPLC–MS 和 NMR 等分析儀器進行監測，並通過啟髮式算法篩選合適的化合物，進一步進行反應或分析，構建出接近自主探索的工作流程。 

應用於超分子化學和藥物化學的篩選

在超分子化學的實驗中，這一機器人系統展現出了強大的篩選能力。 

超分子化學研究的對像是多個分子通過非共價相互作用形成的複雜體系。這類實驗往往生成多種混合分子結構，且分子結構和性質具有高度的多樣性和複雜性。 

研究團隊通過啟髮式篩選算法結合超高效液相色譜 – 質譜（UPLC – MS）和核磁共振（NMR）兩種分析手段，成功識別出多個具有潛在價值的分子結構。 

在某些情況下，儘管分子在 UPLC–MS 測試中未通過，NMR 的分析結果卻顯示其具有獨特的研究價值。系統得以迅速捕獲這些「異常分子」，為後續研究提供了新的線索。 

尤其是在超分子自組裝研究中，這種篩選能力有助於發現具有新型功能的超分子結構，為材料開發、藥物遞送載體設計等提供了新的思路。 

該機器人系統也應用於一系列藥物分子的多樣化實驗，為藥物研髮帶來了新的可能性。 

在藥物合成過程中，精確的試劑添加、加熱和溶劑蒸發操作對於生成優質產物至關重要。系統通過智能化的篩選機制，在實驗過程中實時評估產物質量，自動篩選出符合標準的化合物，及時終止不合格實驗，節省時間和資源。 

研究團隊發現，在某些藥物前體分子的合成實驗中，系統檢測到了特定反應條件下的意外分子結構。這種新結構可能具備更好的藥理活性或藥代動力學性質，為新藥開發提供了有力的線索。 

啟髮式算法：智能決策的核心

與傳統的機器學習模型不同，該系統採用了啟髮式算法，將化學家們長期積累的專業知識巧妙地融入到決策流程中，使系統在處理化學實驗問題時具有獨特的優勢。 

在化學研究中，因數據稀缺，傳統機器學習模型難以捕捉複雜的化學模式，而啟髮式算法通過一系列基於化學知識的規則，使系統能在數據有限的條件下做出合理決策。例如在金屬有機化合物實驗中，算法會根據金屬價態調整反應條件，為系統構建了「化學地圖」，讓機器人在複雜的化學空間中迅速定位實驗路徑。 

當然，啟髮式算法也存在一定的「確認偏差」風險——系統過度依賴預設規則，可能遺漏一些特殊情況。但在數據不足的化學領域，它無疑是一種高效、實用的解決方案。啟髮式算法為系統的決策過程提供了透明度，研究人員可以清晰地理解每一步操作背後的化學邏輯。 

實驗數據的存儲與追溯：構建化學知識寶庫

在這個機器人系統中，數據管理是一個至關重要的環節。而數據存儲功能也是該系統的一大亮點。 

系統完整保存了每次實驗數據，特別是那些「失敗」實驗中的寶貴信息，包括反應條件、產物信息等，便於後續分析。研究人員可以從歷史數據中總結實驗步驟中的潛在問題，為未來的實驗優化提供依據，這種「從失敗中學習」的能力，使得系統不斷完善，推動化學研究向前發展。 

不足與展望

儘管研究展示了系統在化學合成中的巨大潛力，但其對實驗結果的綜合判斷能力仍無法完全替代人類化學家。 

特別是在識別超出其知識體系的新型分子結構時，系統的準確性仍有待提升。此外，對於複雜拓撲結構或動態分子，UPLC–MS和NMR的解析能力存在局限性，影響了機器人在更廣泛研究領域的應用。 

論文的作者之一、該項目的負責人 Andrew Cooper教授說：「機器人情境理解的廣度不如一名訓練有素的研究人員，所以就目前的形勢而言，它不會有‘恍然大悟’的時刻。但就我們在這裏交給它的任務而言，人工智能邏輯在這三個不同的化學問題上做出的決策，與化學合成家或多或少是相同的，而且它能在眨眼之間做出這些決策。通過使用大型語言模型將其與相關科學文獻直接關聯等方式，也有很大的空間來拓展人工智能的情境理解能力。」 

未來，研究團隊計劃通過引入更高精度的儀器，如高場自動化NMR，提升系統的分子結構解析能力。 

此外，研究團隊還考慮引入數據挖掘和文本分析技術，將文獻中的實驗數據整合到算法中，提升決策準確性。此外，借助大型語言模型構建更友好的人機界面，使非專業用戶也能輕鬆操作系統。 

除了化學合成領域，這一系統的模塊化設計與自主探索機制還具備更廣泛的應用潛力。生物化學、材料科學等領域同樣需要複雜的多步驟實驗，機器人可以充當「實驗助理」，為科研人員節省時間。未來，工業實驗室或可借助此類機器人構建分佈式的自動化實驗網絡，實現跨樓層、跨建築的化學探索與分析。 

隨著技術進步，自主機器人將逐漸成為化學家的「智能助手」，帶來更多高效、可靠的實驗方法，引領化學研究的新紀元。 

本文來自微信公眾號 「學術頭條」（ID：SciTouTiao），作者：田小婷，審核：學術君，36氪經授權發佈。