顯示具有 Autonomous lab 標籤的文章。 顯示所有文章
顯示具有 Autonomous lab 標籤的文章。 顯示所有文章

2026年5月30日 星期六

自駕實驗室 (2/3):AI 時代,藥廠自備 SDL 才跟得上潮流

除了學術界和研究機構開發的自主實驗室,業界也不可避免的加入,畢竟藥物開發就是要搶快。目前大多數 SDL 主要應用在化學或小分子藥物,生物製劑雖然近十幾年來漸漸成為顯學,但相較小分子藥物在製程上還是複雜很多,不過已經有幾家生技公司開始用 SDL,也有大藥廠和 AI/ML 合作將 SDL 導入原本的自動化機器人中,例如今年一月在 JPM,Eli Lilly 和 NVIDIA 宣布合作建一個 AI factory。

🌐 LabGenius Therapeutics


LabGenius Therapeutics 是一家位於英國倫敦的生技公司,成立於 2012 年,目標是結合 AI 和自動化機器,開發治療性抗體,尤其是多特異性抗體,其核心技術平台是 EVA™,早期曾獲得多輪融資,包括 2024 年高達 3500 萬英鎊的 B 輪融資。

EVA™ 平台


EVA™ 是一個高度自動化、閉路(closed-loop)的 SDL,整合了人工智慧、機器人和合成生物學,能快速設計、製造、測試並優化抗體分子,其閉路循環(Design-Build-Test-Learn)分為 Dry Lab 和 Automation Lab 兩個部分。
  • Dry Lab:AI 使用 ML 模型和先前實驗數據進行優化,預測和設計抗體。
  • Automation Lab:用自動化機器人進行抗體生產和測試,一次可生產高達 2,300 個多特異性抗體。

抗體測試後的結果會回饋給 ML 模型進行優化,然後再次設計、生產、測試,每次循環需要不到 6 個禮拜,比傳統抗體開發快很多,可大幅加速開發流程。

該平台適用於各種抗體,包括 T-cell engagers (TCE)、ADCs、NK-cell engagers、TCR-based engagers、放射偶聯物等多種抗體種類。

最新進展


他們目前正準備申請 IND 的藥物 LGTX-101 便是由 EVA™ 找出來的,是一個針對 Nectin-4 x CD3,可用來治療多種癌症的的雙特異 TCE 。

2025 年和 Sanofi 開始第二個合作,主要是利用 EVA™ 平台優化針對炎症的 NANOBODY®。

公司網站:LabGenius Therapeutics

🌐 BigHat Biosciences




BigHat 是一家成立於 2019 年,位於加州 San Mateo 的生技公司,專攻各種抗體開發,包括 IgG、多特異性 IgG、scFv、ADC、TCE 和 VHH 等等,他們的核心技術為 RADS,結合 LIMS 系統 Reccy™ 和自動化的實體實驗室後便是 Milliner™ Platform,一個端到端的抗體開發平台。

  • RADS (Reccy Antibody Design Studio):先用少量的數據開始訓練模型,之後每週用 Milliner 產生的大量高品質數據訓練模型,自動評估並挑選最佳模型來設計下一輪抗體,然後用實驗結果持續迭代優化(active learning)。
  • 自動化實驗室:進行抗體純化和功能測試等等,將測試結果送到 Recoy。
  • Reccy™:LIMS,負責控制儀器、整合 RADS 和實驗獲得的數據。
一個端到端的循環,也就是訓練、學習、設計、抗體測試到優化(design-build-test),只需一個禮拜。

最新進展


目前的產品線已癌症的抗體藥為主,大多是 TCE,其中 BHB810 (CDH17 ADC) 已進入臨床準備階段,預計今年6 月左右啟動 Phase 1/2 試驗。

除了自己開發抗體,他們也和多個藥廠合作,包括 J&J, Mer 和 Amgen。

公司網站:BigHat Biosciences

🌐 AbSci


AbSci 是一家成立於 2011 年,位於華盛頓州溫哥華的已上市生技公司,結合 Gen AI 和實體實驗室開發抗體藥,其核心技術為 Integrated Drug Creation™ Platform,該平台結合訓練用的數據、AI 和實體實驗室,形成一個閉環實驗室,可把單一循環(design–test–optimize)時程縮短至六週。

Integrated Drug Creation™ Platform


這個開發全新抗體的閉環 SDL 平台包括了兩個部分:
  • Origin-1: 生成隨機的全新抗體序列、in silico screening、分析測試結果,進行優化。
  • 自動化實驗室:包括 SoluPro®、SPR、ACE Assay™ 和 HiPrBind™ Assay 等等

在他們最新的 preprint (Levine et al, 2026) 中描述了完整個抗體開發流程,包括:

  1. 生成全新抗體:使用 使用 Origin-1 (原本的 Denovium Engine™) 的 AbsciGen 生成全新的的序列。
  2. 評估 & 預測:使用 Origin-1 的 AbsciBind 幫抗體評分,挑出分數高的抗體。
  3. 建立抗體資料庫:設計和建立客製化的抗體資料庫。
  4. 抗體表現:利用 SoluPro® 表現抗體。
  5. 抗體篩選:利用 ACE Assay™ 和 HiPrBind™ 篩選出親合力、表現量和效能、品質最佳的抗體。
  6. 迭代優化:利用每次循環獲得的新數據進行優化。
  7. 擴增 & 轉移:優化生產條件並將技術轉讓給合作夥伴。

產品線


目前進入第一期臨床試驗的有 ABS-101 和 ABS-201。

ABS-101 是用來治療發炎性腸道疾病 (Inflammatory Bowel Disease, IBD),針對 TL1A (Tumor necrosis factor-like ligand 1A) 的抗體。根據其 10-K 資料,該藥雖然仍處於 Phase 1,但已將其內部開發暫緩,轉而積極尋求外部合作夥伴。

ABS-201 則是用來治療雄性禿(Androgenetic Alopecia),針對 prolactin receptor (PRLR) 的抗體,該藥於 2025 年 12 月啟動 Phase 1/2a (HEADLINE trial),目前正在進行單次劑量遞增(single ascending dose)階段,預計 2026 年下半年有初步 POC (proof-of-concept)結果。

合作藥廠 & 投資方


合作藥廠包括 AstraZeneca 和 Merck (MSD),投資者也不少,AMD 除了在 AI 上的合作外,也透過 PIPE Investment 投資了 2000 萬鎂。其他機構投資人包括 ARK, BlackRoc 和 Vanguard 等等。

新聞:Absci Pursues Google-Sized Ambitions in Drug Discovery, Manufacturing: After helping partners design better biologics faster, the drug and target discovery company aspires to build its own pipeline and bolster AI capabilities

公司網站:AbSci

🌐 Insitro


Insitro 是一家成立於 2018 年,位於舊金山的生技公司,創辦人 Daphne Koller 的專業領域是 ML,因此 Insitro 也是主打用 AI 解開生物上的難題,推出各種 AI 平台,包括 ChemML™ platform、TherML™ (Therapeutic Machine Learning) platform,POSH (Pooled Optical Screening in Human cells) platform, Virtual Human™ platform, ClinML™ platform 等等,透過整合自動化實驗室和機器學習產生大量的數據,以及臨床數據來訓練 AI 模型,藉此找出致病機制、治療標靶和藥物開發,涉及領域包括代謝疾病、神經性疾病、眼科疾病和癌症。

他們今年一月收購以色列 AI 公司 CombinAbleAI,其模型可用來設計和優化抗體,整合進它的 TherML™ 後便可完整其在生物製劑上的自主學習和分析系統,成為涵蓋小分子、寡核苷酸、抗體等的 modality-agnostic AI 設計平台。
  • ChemML™: 用於開發小分子藥物,和自動化實驗室結合後,已是端到端(design-make-test)的閉環 SDL。
  • ClinML™: 利用 AI 分析各種臨床資料
  • CellML™: 產生和分析大量的 in vitro 實驗數據
  • Virtual Human™: 整合 ClinML™ 的臨床數數和 CellML™ 的細胞實驗數據,可用來找出致病機制。
  • TherML™: 利用 Virtual Human™ 的數據,並整合 ChemML™ 平台,成為一個全藥物模態(modality-agnostic)的統一系統,可自主學習、設計、分析與優化小分子、寡核苷酸(oligonucleotides)和抗體等生物製劑,與自動化實驗室結合後,成為端到端的閉環 SDL。

產品線


目前正準備申請 IND 的是和 Eli Lilly 合作的,用來治療脂肪肝疾病 MASH 的 CTRO-1013 和 CTRO-1029,兩者皆為 siRNA。

合作藥廠 & 投資方


除了 Eli Lilly 外,合作對象還有 BMS,合作項目為用來治療 ALS 的小分子藥物。

自 2019 年開始 A 輪融資到 2021 年的 C 輪融資,總共募到約 6.43 億美元。C 輪是由加拿大退休基金(Canada Pension Plan Investment Board, CPP Investments)領投,其他投資者還有 ARCH Venture 和 SoftBank Investment Advisers 等等。

公司網站:Insitro



藥廠和 AI 公司的合作


除了買人家整套 SDL,或找公司來設置一座 SDL,還有一個方式就是買軟體。

OpenProtein.AI 是一間約十人的小型新創,成立於 2021 年,主要產品是其設計蛋白質的 AI 模型 PoET-2,可以從實驗數據中學習,然後進行優化,只要透過他的平台和自動化機器人連接,就可以變成一個端到端、閉路循環的 SDL。

他們的雲端平台採用 SaaS 訂閱制,學術界使用完全免費,目前沒有業界付費使用的價格。

Boehringer Ingelheim 自去年(2025)便開始和他們合作,成功導入平台後,今年決定進一步擴大 OpenProtein.AI 平台的應用範圍,並投入開發客製化抗體的功能。

另一個例子則是今年一月在 JPM,Eli Lilly 和 NVIDIA 宣布要共同斥資 10 億美元打造 Co-innovation Lab ,NVIDIA 提供超級電腦 LillyPod 和爲生科打造的 AI 平台 BioNeMo,結合 Eli Lilly 自己的自動化的代理實驗室(Agentic wet labs),實驗數據能即時回傳給 AI 模型進行學習,而 AI 模型又能馬上生成新的預測並發送給實體實驗室進行測試,形成一個自主實驗室,可 24 小時全天候實驗。

新聞:NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery In the Age of AI


不專業碎念


目前大多數的 SDLs 還是以化學、材料為主,跟生物製劑相比簡單很多,也很容易 scale-up。想將 SDLs 應用在生物製劑上還有很多要進步,但應該也不是做不到,目前看起來是 scale-up 比較難,但是在初期開發上,我覺得在幾年內應該是做得到的。

生物製劑不只是抗體,還包括細胞和基因療法,不過因為我之前是做抗體的,所以比較多是著墨在這塊,而且跟細胞和基因治療相比,我認爲用 SDL 開發抗體較為容易,除了量產這塊一樣要克服的瓶頸較多,但在初期開發上是可行的,也的確已經有不少公司在做。

不過,沒想到加拿大基金(CPP)那麼看好 Insitro,竟然還領投,我該為我未來的退休金擔心嘛?😂

其實還有更多的想法,但因為跟下一篇比較有關,所以就放在下一篇吧!



☕️ 如果你喜歡這篇內容,歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿:科普文、公司文、產業文等等
📍 諮詢:實驗設計、加拿大研究所、生科產業










2026年5月2日 星期六

自駕實驗室 (1/3):生科趨勢 SDL — AI + 自動化機器人

會寫這個主題是因為看到 Nature 的這篇,本來只是想簡單介紹一下,沒想到邊找資料邊寫,不小心就越寫越多。😂

因為有點太長,大概會分成三篇:

1. 介紹 SDL 的進程 + 目前幾個大型的 SDL 研究中心
2. 生技公司、藥廠自建 SDL(用在生物製劑上的 SDL)
3. 趨勢:自主實驗室的商業模式

Automation of Science




AI 世代的來臨,不只軟體工程漸漸被 AI 取代,生醫和藥物開發方面也有開始有這個趨勢。

自主實驗室這個詞,也越來越常被提起,或是出現在新聞上。

自主實驗室,Autonomous lab,又稱自駕實驗室 Self-Driving Lab。

Self-driving 的概念興起於 2000 年代後期,強調其閉路循環(closed-loop),也就是 DMTA (Design-Make-Test-Analyze) 循環:AI 建立假說、設計實驗 + 自動化機器人執行和測試 + 傳回給 AI 進行數據分析和評估最佳化條件,然後設計和進入下一輪實驗。

不過,說到自主實驗室,就要提起 Automation of Science 的先驅,同時是英國劍橋大學和瑞典 Chalmers Institute of Technology 的教授 Dr. Ross King。

Adam (2009)


史上第一個自主實驗室是 Ross King 在 2009 年時,和亞伯里斯威斯大學(Aberystwyth University)研究團隊合作的亞當 Adam,除了是向聖經中的亞當致敬,也是向 18 世紀極力提倡工業機械化的經濟學家亞當・斯密(Adam Smith)致敬。

亞當主要是應用於基因組學,利用酵母菌(S. cerevisiae)作為模型生物,自動推論並找出酵母菌中 10% 到 15% 未知功能的基因,以及識別孤兒酶(orphan enzymes)。

💡 孤兒酶(Orphan Enzyme)是什麼?
已知其功能的酶,例如它催化哪一個代謝反應,但不知道是哪一個基因負責編碼這個酶。這些基因很多原本被標註為未知功能(unknown function)或功能標註錯誤。

Adam 的工作是把「功能未知的基因」與「已知但缺少基因的酶」配對起來。

Adam 做了什麼?

1. 從現有生物資料庫和邏輯模型中,自動產生假設:哪一個未知功能的基因可能編碼某個孤兒酶?
2. 針對 13 個孤兒酶產生了 20 個假設並設計實驗
3. 執行實驗、分析數據,並迭代優化。

結果:成功發現並驗證了多個孤兒酶的基因,其中最重要的一個是負責離氨酸(lysine)生成的酵素 2A2OA (2-aminoadipate:2-oxoglutarate amino transferase)

Eve (2015 ➔ 2018)


2015 年,他和瑞典哥德堡(Gothenburg)的查默斯理工大學(Chalmers University of Technology)的研究團隊合作,將亞當進化成夏娃 Eve,可以將早期藥物設計的流程自動化。

發表在 2018 年的研究顯示,夏娃篩選了約 1,600 種化學物質,針對其結構和活性的關聯性建模,用以預測哪些物質值得測試,並設計和執行實驗來驗證,結果發現常見的抗菌化合物三氯沙(triclosan)可以抑制瘧原蟲(Plasmodium falciparum)在肝臟休眠期時,用來存活的酵素 DHFR (Dihydrofolate reductase)。

Eve 運作流程:

  1. 初步 in silico 篩選:AI 從涵蓋已核准的 Johns Hopkins Clinical Compound Library 中用 ML 模型快速預測哪些最可能有活性。
  2. 執行實驗:把 AI 選出的化合物加入細胞培養盤,培養瘧疾寄生蟲,然後用自動化儀器測量真實的抑制效果。
  3. AI 學習:將實驗結果傳回 AI 系統,AI 根據結果分析哪些化合物的結構或性質與活性有關。
  4. 最佳化:使用 Bayesian Optimization 等演算法,根據分析結果來預測哪些還沒測試過的化合物最可能有效,然後自動安排下一輪實驗。
  5. 迭代優化:重複 2–4 步進行「測試 → 學習 → 預測 → 下一輪測試」,直到找到活性最強、最有潛力的候選物。

Genesis (開發中)


2019 年時,Ross King 收到瑞典 WASP (Wallenberg AI, Autonomous Systems and Software Programme) 的邀請,被任命為 Wallenberg Chair,正式啟動第三代的 Genesis 開發計劃,目標是讓它成為 L4 自主實驗室,完成後可以全面自動化酵母(Saccharomyces cerevisiae)系統生物學(systems biology)研究,每天自組啟動和執行 1000 個實驗。



  • Adam:第一個可提出並驗證假設的 SDL。
  • Eve:從純科學發現轉向產業應用,以最佳化(optimization)為主,能大幅提升效率,可用藥物篩選。
  • Genesis:體積是 Eve 的五分之一,目標是可自主生成假設、設計實驗、執行並分析結果,建構基因、蛋白質與小分子交互作用的系統生物學模型。King 希望用它證明在特定領域,機器科學家能比人類更快、更便宜完成研究。

Dr. King Ross website: Automation of Science

Self-Driving Lab (SDLs)


上面提到 Ross King 團隊的目標是把 Genesis 打造為 L4 自主實驗室,什麼是 L4?

Beal et al 在 2020 年的時候,在 Mol Syst Biol 發表了一篇文章,提出 SDL 的分級,他將 SDL 分成 L0-5 六級,L0 完全就是工人實驗室,隨著級數升高,工人智慧的佔比變少,人工智慧的佔比升高。

2026 年的時候,Ginkgo Bioworks 的創辦人兼 CEO Jason Kelly 提出了產業版的 LoLA (Levels of Laboratory Autonomy)。



目前稱得上自主實驗室,有達到 L3 包括 Ginkgo Nebula + GPT-5, A-Lab, Genesis 和 LabGenius EVA 等等。

文章連結:Levels of autonomy in synthetic biology engineering

Ginkgo Bioworks | A new way to do science

Berkeley Lab: A-Lab


A-Lab 是美國 Lawrence Berkeley National Laboratory 開發的自主實驗室平台,於 2023 年開始運作,主要用在加速無機材料(inorganic materials)的合成與開發。

A-Lab 整合了以下幾個元素形成完整的 closed-loop 系統:

  • AI 規劃端:先從 Materials Project 和 Google DeepMind 的計算資料裡挑選出預測為穩定的新材料,以及從文獻中學習合成方式。AI 能為每個目標化合物提出多達 5 種合成路線,並透過主動學演算法持續優化。
  • 機器人執行端:硬體包含 3 個工作站可自動合成和分析。
  • 數據分析 & 迭代:AI 即時解讀結果,判斷是否成功合成目標物,並決定下一步實驗。

整個過程高度自動化,無需人類介入,為全球第一個用無機化學粉末為原料的全自主固態合成 SDL。

研究團隊於 2023 年在 Nature 期刊正式發表,目標是縮小「預測」和「實際合成」之間的差距,且 AI 和機器人能 24/7 自主完成從設計、實驗、分析到迭代優化的完整循環,被視為材料開發加速 10-100 倍的範例。

實驗結果:
  • 在 17 天連續自主運行 中,A-Lab 共執行 353 次實驗,每天執行約 21 個實驗。
  • 從 57 個目標化合物中成功合成 36 個,成功率為 63%,涵蓋多種氧化物、磷酸鹽等無機晶體。

新聞連結:Meet the Autonomous Lab of the Future

論文連結:NJ Szymanski, B Rendy, Y Fei, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature (2023) DOI: 10.1038/s41586-023-06734-w

U of T: Acceleration Consortium


加拿大多倫多大學的 Acceleration Consortium (AC) 由化學系教授 Alán Aspuru-Guzik 帶領,成立於 2021 年,為全球領先的自主實驗室研究與應用中心。

傳統材料開發通常需 20 年、耗資 1 億美元以上,AC 希望透過 SDLs 將時間與成本大幅縮減至 1 年、100 萬美元左右,目標是加速開發永續未來的材料與分子,例如藥物、可生物降解塑膠、再生能源材料等。

新聞:U of T receives $200-million grant to support Acceleration Consortium's ‘self-driving labs’ research

AC 目前在多倫多大學擁有 6 座 SDL (SDL1-6),和溫哥華的 UBC 合作一座(SDL7),同時連結全球超過 30 座 SDL。
  • SDL1 : Inorganic - 無機材料開發
  • SDL2: Organic - 有機小分子開發
  • SDL3: Medicinal Chemistry - 用於藥物開發
  • SDL4: Polymers - 聚合物材料開發
  • SDL5: Formulations - 用於分析混合後的材料結構、功能和測試其應用,橫跨個人護理、醫療保健等領域。
  • SDL6: Human organ mimicry - 用於建立次世代人類組織模型和創新療法
  • SDL7: Scale-up - 橋接初期的藥物開發和終端的量產。

SDL7 和多倫多大學的其他 6 座 SDL 形成完整的開發鏈,從分子設計到材料合成,最後由 SDL7 完成 scale-up,目的是縮短早期開發到上市的時間,讓新藥物、清潔能源技術等更快進入應用階段。

因此,AC 不只是學術研究單位,它同時也透過新創公司與產業夥伴將 SDL 推向市場。

◻️ 產業合作

AC 目前有超過 60 家合作夥伴,涵蓋產業、政府、非營利組織和新創,其中產業夥伴以化學、製藥、消費品與材料科學領域的大型企業為主。
  • BASF:2025 年五月合作建立 SDLs,應用於農業、醫藥、塗料等領域的材料開發和優化,推動農業與化學領域的永續發展與技術創新。
  • Unilever:2025 年九月開始共同開發 SDLs,主要用來優化個人護理產品中的 submicron 乳化技術與配方,例如沐浴乳、乳液等。
  • Bristol Myers Squibb:合作開發液體混合物分離(liquid-liquid extraction, LLE)自主純化平台,可廣泛應用於製藥、食品、化學加工與環境整治中。

他們也和溫哥華的新創公司 Telescope Innovations 技術整合,已有多座商業 SDL 部署至 Pfizer、韓國製藥協會等,SDL7 的研究成果正快速轉化為產業應用。

網站連結:Explore our core facilities and related labs

U of T: LUMI-lab


也是多倫多大學研究團隊開發的 DMTA 完全閉環的自主化平台,主要用於設計可離子化脂質(ionizable lipids)和脂質奈米粒子(LNPs),可在超過 2,800 萬個 3D 分子結構上進行大規模訓練。

LUMI-lab 會自主學習,並完成完整的閉路循環,不停的迭代優化:模型預測 → 機器人自動合成 → LNP 配製 → 大規模 in vitro 篩選 → 數據回饋和模型優化。

它的三階段訓練為:
  1. 分子預備訓練(self-supervised pretraining):使用 1,300 萬個分子結構及其 3D 構造,執行預測和對比學習。
  2. 脂質預備訓練(continual pretraining with lipid):針對 1,500 萬個脂質分子庫進行持續預訓練,使其在執行篩選任務前,先深化模型對脂質化學特性的理解。
  3. 主動閉路學習(closed-loop active learning):在 10 個迭代循環中,不斷用新實驗數據迭代優化。

在他們今年發表於 Cell 的研究中,經過 10 個迭代循環後,LUMI-lab 評估了 1,781 種 LNPs,發現超過 50% 的候選 LNP 展現出高 transfection 效力,其中 LUMI-6 LNP 在老鼠模型中的 mRNA transfection 效果比 Moderna 用於新冠疫苗的 SM-102 LNP 要好。

除此之外,當用在 CRISPR-Cas9 進行肺部基因編輯的實驗中,LUMI-6 在上皮細胞的編輯效率達到 20.3%。

這個試驗顯示在只有少量實驗數據的情況下,LUMI-lab 可以透過閉路的模型訓練、主動學習和迭代優化循環,開發出新的 LNP,展現其強大的自主開發能力。

新聞:Self-driving LUMI-lab system combines AI and robotics to advance design and evaluation of lipid nanoparticles for mRNA delivery

論文連結:Y Xu, H Cui, K Pang, et al. LUMI-lab: A foundation model-driven autonomous platform enabling discovery of ionizable lipid designs for mRNA delivery. Cell (2026) DOI: 10.1016/j.cell.2026.01.012

Duke University: SAMPLE platform


SAMPLE(Self-driving Autonomous Machines for Protein Landscape Exploration)平台是由美國威斯康辛大學(現已搬遷至杜克大學)Romero 研究團隊開發的 AI 自主蛋白工程平台。它能自主學習蛋白序列與功能之間的關係、設計新蛋白,並結合自動化實驗室進行測試、分析與迭代優化,每次循環(design → test → learn)約需 9–10 小時。

在他們 2024 年發表於《Nature Chemical Engineering》的研究中,研究團隊將其 SAMPLE 平台和 Strateos Cloud Lab 的自動化硬體設備結合,成功打造出完整的自主實驗室(SDL),大幅加速蛋白質優化流程。相較於傳統人工方法通常需要 6–12 個月,SAMPLE 在理想連續運作下,20 輪循環理論上只需 1–2 週。(實際規劃下約 2 個月,實際運行約花費 6 個月。)

項目 SAMPLE 自動化平台 人類研究人員(估計)
20 輪循環時間 1–2 週(連續運作)
實際規劃:約 2 個月
實際運行:約 6 個月
6–12 個月
操作成本 約 5,200 美元(20 輪) 高(含人力成本與實驗室雜支)
數據特性 高度可重複、具完整元數據追蹤 易受主觀影響、重複性較低

實驗室網站:Duke | Romero Lab

Gov Investment


SDL 已實際被應用在各個領域,不少政府也投資大量資源在上面。

美國的 DOE 除了推動能源、原料研究上的自主實驗室,例如 PNNL (Pacific Northwest National Laboratory) 的自主實驗室,旗下的 ARPA-E 也在今年四月宣布投入 3,400 萬美元,資助 12 項自主實驗室相關計劃。

加拿大多倫多大學的 Acceleration Consortium 目前校內有六個 SDLs,還有個和 UBC 合作的 SDL7。SDL1-5 是化學實驗室,SDL6 負責人類組織模型,SDL7 則是負責 scale-up。他們在 2023 年的時候,獲得加拿大政府 CFREF (Canada First Research Excellence Fund)高達 2 億加幣(約 1.46 億美元)的研究經費,用來推動 SDL 基礎設施與應用研究,是加拿大聯邦政府有史以來授予單一大學最高額的研究資金。

英國的 ARIA 於今年一月推出 AI Scientist 計畫,共投資 600 萬英鎊在 12 項專案上,用來開發能自主設計、執行、分析實驗的自主實驗室,例如 King’s College London 的研究團隊獲得 50 萬英鎊,用來開發能將農業與食品工業的副產品(Agro-food by-products)轉化為高品質蛋白質的 SDL,用已應對全球飢餓與環境永續的雙重挑戰。

南韓政府也把 SDL 列為國家戰略,目標是在 2030 年前導入 500 座自主實驗室。韓國最大製藥協會(KPBMA)於去年年底向 Telescope Innovations 購買並安裝了韓國第一座藥物開發 SDL,作為全國 AI 驅動 R&D 訓練中心。

新聞:

ARIA - AI Scientists

DOE ARPAE | U.S. Department of Energy Announces $34 Million to Pair Artificial Intelligence with Autonomous Labs to Accelerate Catalyst Development

산업기술 R&D 혁신에 AI 활용…2030년까지 600개 프로젝트 추진


☕️ 如果你喜歡這篇內容,歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿:科普文、公司文、產業文等等
📍 諮詢:實驗設計、加拿大研究所、生科產業