《Digital Discovery》：A user's guide to your first self-driving liquid handling lab
编辑推荐：
本研究聚焦自动化实验中的高成本与技术门槛问题，提出一套基于机器学习/主动学习（ML/AL）的低成本开源自驱实验室（SDL）方案。团队开发了开放式液体处理硬件与配套软件，并通过酶活性优化案例验证系统可行性，为推广自主实验提供可复制的资源与路径。
在传统实验科学中，探索复杂输入参数对目标性质的影响往往依赖研究者的直觉与试错，面对高维非线性问题时效率低下。随着机器学习和自动化技术的发展，“自驱实验室”（Self-Driving Lab, SDL）成为加速科学发现的新范式——它整合设计-构建-测试-学习（Design-Build-Test-Learn, DBTL）闭环，将主动学习（Active Learning, AL）、机器人平台与高通量表征结合，实现从数据驱动建模到自主决策实验的完整流程。然而，商用自动化设备价格高昂，开源方案又缺乏系统性的搭建与实施指南，阻碍了SDL在普通实验室的普及。为此，研究者们致力于“降门槛”：打造低成本、易定制的开源SDL平台，让更多科研人员能用上自主实验技术。
本文发表于《Digital Discovery》，旨在填补教育与实践资源的空白。研究团队围绕湿实验室常见需求，设计了两种低于1000美元的开源液体处理器，并提供了从硬件组装、软件控制到算法部署的全套教程。核心是通过Python程序整合空间定位、流体控制与光谱检测模块，使平台能够执行“设计实验-自动移液-在线检测-模型更新-迭代优化”的自主循环。重点应用场景锁定在酶学实验优化：以葡萄糖氧化酶（Glucose Oxidase, GOx）活性为指标，验证SDL在多变量条件下的寻优能力。这一工作不仅证明了低成本方案的可行性，也为跨学科团队搭建自主实验系统提供了标准化模板。
研究的关键技术方法包括：1）基于笔式绘图仪改装的液体处理器（集成ChemyX Fusion 200X注射泵与Molecular Devices SpectraMax M2酶标仪），实现三维定位与精确移液；2）采用拉丁超立方采样（Latin Hypercube Sampling, LHS）初始化实验空间，平衡覆盖度与效率；3）利用高斯过程回归（Gaussian Process Regression, GPR）作为代理模型，量化预测不确定性；4）通过预期提升（Expected Improvement, EI）采集函数指导贝叶斯优化（Bayesian Optimization, BO）迭代方向；5）引入SHAP（Shapley Additive Explanations）可解释性分析，关联输入变量与输出性能。
4 SDL演示：酶测定优化
4.1 设计
选择经典的GOx偶联反应体系，输入变量为四种试剂浓度：GOx（2.6~13 nM）、辣根过氧化物酶（HRP, 22.7~114 nM）、ABTS底物（168.2~841 μM）与葡萄糖（69.4~347 mM）。为确保初始数据代表性强，采用LHS生成16组种子数据集，均匀覆盖多维参数空间。
4.2 构建与测试
通过笔式液体处理器自动执行移液与动力学监测。关键优化在于加样顺序：最后加入葡萄糖以触发反应，减少孔间时间偏差。每批次运行后，酶标仪在405 nm波长下以15秒间隔采集吸光度，计算初始反应速率ΔOD作为酶活性指标。首轮种子实验后，每轮AL迭代增加6个样本，兼顾效率与资源限制。
4.3 学习
训练GPR代理模型（核函数组合：Dot Product + RBF + White），通过网格搜索优化超参数，交叉验证R2评估拟合效果。BO循环持续4轮，依据EI函数筛选潜在高活性条件。结果显示：随迭代推进，实测酶活分布显著右移，最优值逐步逼近设定目标；代理模型R2从0.65升至0.80，对高性能区域的预测更精准。
SHAP分析揭示了变量贡献：GOx与葡萄糖浓度升高正向促进活性，符合催化机制；高浓度ABTS抑制反应，印证其拮抗效应；HRP浓度影响微弱，说明其非限速因子——这与预设的实验设计一致，证明模型捕捉到了真实的生化规律。
5 总结与展望
本工作系统性展示了如何构建低成本SDL平台，并将AL/BO框架成功应用于酶活性多变量优化。硬件层面，笔式与移液器驱动方案均实现了<1000美元的低成本目标，且具备良好的扩展性；软件层面，模块化Python架构支持自定义实验流程与算法替换。案例研究证实：即使在小样本预算下（总数<40次实验），SDL也能快速收敛到高性能区域，同时通过可解释AI挖掘变量作用机理。
这一成果的意义在于“去神秘化”：它将原本昂贵的自主实验技术转化为可访问的社区资源。开放源码与详细教程（GitHub: gormleylab/SDLGuide）降低了编程、机械与控制系统的入门壁垒，尤其适合资源有限的实验室开展定制化自动化项目。未来，随着更多学科适配此模板，SDL有望成为连接数据科学与实验科学的通用基础设施，推动从材料筛选到生物医学研究的规模化高效探索。
