RoboChem Flex：成本僅 5,000 美元的開源自主合成機器人，讓所有實驗室都能擁有 AI 驅動化學優化系統

RoboChem Flex：讓 AI 自主合成機器人走入每一間實驗室

圖片來源：HIMS / Nature Synthesis

從 Science 到 Nature Synthesis 的進化之路

阿姆斯特丹大學 Van 't Hoff 分子科學研究所的 Timothy Noël 教授團隊，在《Nature Synthesis》期刊上發表了自主實驗室合成優化系統的重大進展——RoboChem Flex。這套系統採用模組化設計，並提供「人在迴圈中（human-in-the-loop）」分析選項，適用於各種規模的合成實驗室，且論文中提供了完整的自建系統資訊。

Noël 教授表示，這款新版 RoboChem 系統將讓 AI 驅動的自主合成系統實現真正的「民主化」。他指出：「這類系統往往價格昂貴，只有資金充裕的機構才負擔得起。我們認為這種排他性特權不利於科學發展。科學進步需要可擴展、具成本效益的工具，賦能各種資源水準的研究人員。因此，我們開發了這套系統，讓資源較少的研究團隊也能使用，藉此提升研究能力、創新機會和科學影響力。」

成本大降、功能更多元

2024 年初發表於《Science》期刊的第一代 RoboChem 系統，結合了流動化學自主系統、桌上型核磁共振（NMR）分析設備，以及整合式機器學習 AI 單元。該團隊展示了 RoboChem 在加速藥物及其他應用相關分子化學發現方面的強大能力——系統能全天候自主運作，獨立完成 10 至 20 個分子的合成優化，這項工作若由博士生執行，通常需要數個月時間。

「我們非常自豪能在《Science》上展示 RoboChem 的能力，」Noël 教授說，「但缺點是整套系統花費超過 50,000 美元，而且還不包含昂貴的 NMR 設備。我們決定找到降低成本同時提升多功能性的方法。」

最終成果就是現在發表於《Nature Synthesis》的 RoboChem Flex，估計建造成本僅約 5,000 美元，卻能涵蓋光催化、生物催化、熱交叉偶聯等多元領域。Noël 教授認為他的使命已經達成：「市面上也有其他平價自動化系統，但它們為了控制成本而犧牲研究潛力，僅聚焦於狹隘定義的問題。我們已在六個具挑戰性的案例研究中展示 RoboChem Flex 的能力，涵蓋化學的多元領域，每個案例都展示了系統如何針對特定問題進行量身調整。當然，我們也在實驗室中實際執行了所提出的合成方案，以驗證 RoboChem Flex 結果的真實適用性。」

3D 列印元件與「人在迴圈中」選項

為確保經濟性與靈活性，RoboChem Flex 採用現成零件或其 3D 列印替代品，不僅大幅降低成本，也允許快速客製化與迭代開發。硬體元件之間的通訊由團隊自主開發的開源套件 OmniPlatypus 協調管理，確保無縫模組化並實現隨插即用架構，使用者僅需最少的程式碼撰寫。

在軟體層面，RoboChem Flex 配備了整合式高度模組化的貝葉斯優化（Bayesian Optimisation, BO）代理，使用者可依據特定實驗目標客製化 AI 驅動的合成工作流程優化。該平台還支援多種即時分析儀器的整合，包括 NMR、UHPLC-MS 和拉曼光譜（Raman spectroscopy），實現全自主閉迴路運作，可 24 小時不間斷進行反應優化。

然而，加入這些即時分析設備將帶來遠超過系統本身 5,000 美元的額外投資。因此，Noël 團隊另外開發了一款低成本的 3D 列印液體取樣單元。「這個模組能收集反應樣本，」Noël 解釋道，「然後利用多個研究團隊共用的現有分析設備進行分析。」這種人在迴圈中的方法為實驗室提供了實用且經濟的入門方案，讓資源有限的研究團隊也能擁有與資金充裕機構同等水準的工具，拉平競爭起點，促進各規模的創新發展。

RoboChem Flex 案例研究

論文中展示了六個具挑戰性的案例研究：

• 利用自適應加權探索與 NMR 分析優化吡咯三氟甲基化反應
• 透過超體積優化與 HPLC 分析進行脫氧 C–H 功能化
• 利用拉曼光譜進行光催化同位素標記的噪聲超體積優化
• 使用 HITL 與雙批次擷取進行二酮的選擇性酶還原
• 透過遷移學習與配體特徵化優化 Buchwald-Hartwig 胺化反應
• 使用手性 HPLC 進行對映選擇性光催化 [2+2] 環加成的多目標優化

完全開源

RoboChem Flex 使用的所有程式碼均已透過 GitHub 公開，包括機器學習與優化程式碼、圖形使用者介面軟體、裝置韌體與操作控制程式碼、3D 列印設計檔案與硬體電路圖等。

論文資訊

A flexible and affordable self-driving laboratory for automated reaction optimization, Simone Pilon, Elia Savino, Oliver M. Bayley, Michael Vanzella, Miguel Claros, Petros Siasiaridis, Junsong Liu, Florian Lukas, Matteo Damian, Vasilis Tseliou, Niccolò Intini, Aidan Slattery, Jesus SanJosé-Orduna, Tim den Hartog, Ron A. H. Peters, Andrea F. G. Gargano, Francesco G. Mutti & Timothy Noël, Nature Synthesis (2026)。

---

原文來源： 查看原文