已然啟動的科研變革 – 人工智能 + 高通量實驗
早段時間 ChatGPT 掀起不少聲浪，該系統(tǒng)透過 AI 演算學(xué)習(xí)進(jìn)行分析，為用戶快速尋找答案。近日為了回應(yīng)市場的需求，百度也發(fā)布了生成式 AI 產(chǎn)品 —— 文心一言。
近年人工智能的應(yīng)用已經(jīng)逐漸走進(jìn)大眾的視野，而在科研領(lǐng)域，基于機(jī)器學(xué)習(xí)的人工智能系統(tǒng)也早已被世界知名的科研機(jī)構(gòu)用于協(xié)助科學(xué)家完成一項又一項艱深的研究，科研模式的變革早已啟動。
AI + 自動化技術(shù)，深受世界知名科研公司青睞
隨機(jī)森林算法 – 普林斯頓大學(xué) x 默克
早在 2018 年，普林斯頓大學(xué)的 Abigail Doyle 教授就與美國默克 (Merck) 的 Spencer Dreher 博士等合作，以機(jī)器學(xué)習(xí)算法 —— 隨機(jī)森林算法 (Random Forest Algorithm)，加上通過高通量實驗獲得的過千項數(shù)據(jù)進(jìn)行訓(xùn)練，準(zhǔn)確預(yù)測了多維變量的 Buchwald-Hartwig 偶聯(lián)反應(yīng)產(chǎn)率。Buchwald-Hartwig 反應(yīng)在藥物合成中具有廣泛的價值，然而，將這一反應(yīng)應(yīng)用于復(fù)雜的藥物大分子仍然具有挑戰(zhàn)性，關(guān)鍵在于當(dāng)中的五元雜環(huán)化合物，如異惡唑這些雜環(huán)具有類似藥物的特性，但合成并不容易，因此研究團(tuán)隊此次對 Buchwald-Hartwig 偶聯(lián)反應(yīng)的研究別具意義。
由于反應(yīng)物的稀缺，以及化學(xué)結(jié)構(gòu)和反應(yīng)的多維性，過往很難產(chǎn)生足夠的數(shù)據(jù)或從數(shù)據(jù)庫中獲得足夠完整和一致的數(shù)據(jù)來進(jìn)行人工智能的算法訓(xùn)練。隨著研究維度的加深，要取得有意義的數(shù)據(jù)便愈加艱難，而在本次的研究當(dāng)中，十分關(guān)鍵的是研究人員利用了默克公司較早前建立的高通量反應(yīng)篩選平臺，該高通量實驗平臺可以在一天內(nèi)進(jìn)行超過 1500 個反應(yīng)，每個反應(yīng)只需用 0.02 毫克的材料，為研究提供了大量完整及準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。
Mobile Robotic Chemist – 利物浦大學(xué)
除了普林斯頓大學(xué)與默克公司合作的研究外，在 2020 年登上 《Nature》 封面的利物浦大學(xué)自主研發(fā)的 AI 化學(xué)家 (Mobile Robotic Chemist)，利用實驗室自動化和人工智能的系統(tǒng)，8 天完成 688 次實驗，一周時間研究了 1000 種催化配方，并發(fā)現(xiàn)了一種新的催化劑。
自動化合成平臺 – 麻省理工學(xué)院
無獨有偶，登上 《Science》 的美國麻省理工學(xué)院 (MIT) 研究人員也開發(fā)了一種結(jié)合 AI 設(shè)計合成路線和機(jī)器人執(zhí)行的自動化合成平臺。
實驗中，利用數(shù)據(jù)庫中的反應(yīng)訓(xùn)練了人工智能算法，為指定分子提出合成路線，包括反應(yīng)條件，并根據(jù)步驟數(shù)量和預(yù)測產(chǎn)量來評估哪條路徑是最佳。
同時，MIT 研究人員在新開發(fā)的系統(tǒng)上結(jié)合了三個主要步驟：首先，由人工智能指導(dǎo)的軟件提出了合成分子的途徑，然后專家化學(xué)家審查這條路線并將其細(xì)化為化學(xué) “配方”，最后將配方發(fā)送到機(jī)器人平臺，自動組裝硬件并執(zhí)行反應(yīng)構(gòu)建分子。
此外，該系統(tǒng)擁有一個靈活的機(jī)器人手臂，能夠執(zhí)行所有合成操作流程，實現(xiàn)自動化合成，并成功用于 15 個化學(xué)小分子藥物的合成路線設(shè)計和自動化合成。
RoboRXN – IBM
IBM 研究中心也與實驗室自動化的專業(yè)品牌 Chemspeed 合作，建立了以 AI 驅(qū)動的 RoboRXN 化學(xué)實驗室。這一實驗室融合了云技術(shù)、AI 和自動化高通量實驗工作站，改變了化學(xué)家的工作方式，極大地加速了研發(fā)效率。
以上的研究都說明了人工智能技術(shù)在科學(xué)研究領(lǐng)域的巨大潛力，但是縱觀所有的人工智能在化學(xué)研究上的應(yīng)用案例，無一例外的都離不開自動化實驗技術(shù)。作為 “硬件設(shè)施”，自動化技術(shù)執(zhí)行 AI (“軟件”) 提供的最優(yōu)化實驗方案，并提供大量的完整且準(zhǔn)確的數(shù)據(jù)。作為 “軟件設(shè)施”，人工智能系統(tǒng)可以利用這些數(shù)據(jù)進(jìn)行訓(xùn)練及演算，快速預(yù)測研究結(jié)果，并完成實驗的迭代并優(yōu)化過程，幫助科學(xué)家快速找到有價值的研究方向，減少大量的實驗時間和研究成本?？蒲械淖兏镆讶粏樱磥?，人工智能的技術(shù)必然將更廣泛應(yīng)用在科學(xué)研究領(lǐng)域，推動科學(xué)的進(jìn)步。
想構(gòu)建可結(jié)合人工智能的實驗室？歡迎聯(lián)系力揚，我們會為你提供前沿的實驗室解決方案。
參考資料:
Ahneman DT, Estrada JG, Lin S, Dreher SD, Doyle AG. Predicting reaction performance in C-N cross-coupling using machine learning. Science. 2018 Apr 13;360(6385):186-190.
Buitrago Santanilla A, Regalado EL, Pereira T, Shevlin M, Bateman K, Campeau LC, Schneeweis J, Berritt S, Shi ZC, Nantermet P, Liu Y, Helmy R, Welch CJ, Vachal P, Davies IW, Cernak T, Dreher SD. Organic chemistry. Nanomole-scale high-throughput chemistry for the synthesis of complex molecules. Science. 2015 Jan 2;347(6217):49-53.
http://www.vastprotech.com/news_detail/id/142.html