由Python控制的、耐溶剂的富集器，用于自动化流动合成

《Digital Discovery》：Python-controlled, solvent-resistant fraction collector for automated flow synthesis

　　流动化学已成为高通量和自动化合成工作流程的强大方法。然而，下游组分收集仍然是一个实际挑战：商业系统通常价格昂贵且难以集成，而大多数低成本或自制替代品缺乏与常见有机溶剂的兼容性和实时控制功能。在这里，我们展示了一种耐溶剂、由Python控制的组分收集器，它由低成本、模块化组件构建（约1000美元）。该系统集成了可编程的小瓶定位和实时体积监测功能，以实现准确的、不受流动速率影响的组分收集。性能在多种流动速率（0.1–6 mL min?1）和粘度（0.45–500 cP）范围内得到了验证，具有稳定的液滴质量和高度的可重复性。它还实现了高分离精度，在水性和有机条件下都能实现清晰的流体转换和可忽略不计的组分间携带。这一开源平台为自动化流动合成提供了一个坚固、可集成的解决方案，并支持在有机化学中更广泛地采用连续、数据丰富的实验方法。

引言

自动化和机器学习正在成为现代化学中的宝贵工具，但仍有许多工作需要完成，以使这些工具变得易于使用和负担得起。自动化化学合成和表征平台通常依赖于基于流动的系统来加速研究。1–3 与传统的批处理化学不同，基于流动的系统相对容易自动化，能够精确、自动化地调整反应参数，对于需要严格控制或危险条件的反应尤其有利。4–8 这使得流动化学在有机合成中非常吸引人，包括聚合物、大分子和药品，以及自动化反应筛选。9–13 虽然这种物理互连的系统适合自动化，但样品分离以便表征和进一步的下游处理对于大多数过程至关重要，特别是在工作流程的末端。准确、可重复的样品收集不仅对于监控反应性能至关重要，而且对于确保下游步骤（如NMR或色谱表征）接收一致的样品输入也非常重要。14,15

组分收集器可以通过自动分离从基于流动的系统中流出的样品来帮助这种集成。这消除了研究人员在每次迭代结束时手动收集反应产物的需要，减少了人为错误，并实现了不间断的高通量实验。16 大多数面向化学的商业组分收集器价格昂贵，可能难以集成到自动化实验系统中。16 另一方面，文献中介绍的大多数更经济的组分收集器是为水性化学或色谱设置设计的，16–20 并且不兼容常用的有机溶剂（例如四氢呋喃（THF）、甲苯、氯仿），而这些溶剂在有机合成中大量使用。它们也可能依赖于预编程的流动速率和定时，而不是实时反馈，这在反应物或产物处于气相或高粘度时可能会导致不准确的收集。21 因此，非常需要一种可以根据项目需求进行自动化、可定制并且能抵抗最常见有机溶剂的组分收集器。计算机数字控制（CNC）机器使用精确的XYZ龙门架来移动集成的工具头，已被重新用于低成本实验室自动化。22–25 例如，Monterrubio等人22 设计了一种基于CNC的液体处理器，以提高无机材料合成的可重复性和通量。同样，Quinn等人23 将液体处理与电化学和光学表征集成在一起，以进行功能性聚合物薄膜的闭环探索。这些系统通常与基于Python的或微控制器级别的控制系统兼容，提供了比商业机器人更紧凑、成本效益更高、更灵活的替代方案。在这里，我们开发了一种耐溶剂、由Python控制的组分收集器，适用于广泛的流动化学应用，包括但不限于有机合成。该系统由模块化、低成本组件构建（总成本约1000美元），并与上游流动反应器集成。所有接触液体的组件都由氟聚合物材料制成，可与常见的有机溶剂兼容，包括THF、丙酮、甲苯、二氯甲烷和乙酸乙酯。该系统建立在台式CNC平台上，提供可编程的三轴运动，以实现精确的小瓶定位和灵活的布局配置。一种耐化学腐蚀的选择阀可以编程地在废物和收集模式之间切换流体输出，消除了人工干预并最大限度地减少了交叉污染。组分收集器具有液滴计数器，可以独立控制每个组分的体积，并且具有紧凑的尺寸，可以轻松集成到标准化学通风橱中。它还提供关于分配体积的实时反馈，无论泵的校准或流动不规则性如何，都能实现可靠的液滴检测和可重复的收集。在重复实验中，系统在拟合的液滴质量方面的变异系数（CV）为1.3%，表明其具有高精度和可重复性。该收集器确保了样品之间的清洁分离，并可以根据不同的实验室设置进行定制。该系统通过简化组分收集并促进大样本库的生成，从而支持高通量实验，加速了反应发现和建模。

材料

我们在这项研究中使用的化学品包括丙酮（67-64-1，Sigma-Aldrich）、异丙醇（IPA，67-63-0，Sigma-Aldrich）、氯仿（67-66-3，Sigma-Aldrich）、5-诺bornene-2,3-二羧酸酐（826-62-0，TCI）、乙酸乙酯（141-78-6，Fisher Chemical）、哌啶（110-89-4，Sigma-Aldrich）、甲苯（108-88-3，Sigma-Aldrich）、四氢呋喃（THF，109-99-9，Sigma-Aldrich）。构建组分收集器的材料清单（BoM）显示在下面的表1中。组装指南可以在GitHub仓库中找到。表1

构建组分收集器的材料清单

项目 制造商 零件编号 数量 规格 单位成本（USD） 备注

CNC路由器 Genmitsu 3018-PROVer V2 1 425 × 352 × 300 mm 228.65

主要平台 Runze QHF-SV04M-B-X-U-T10-K1.2 C 1 10端口或6端口 414

切换废物和收集 Vernier? GDX-DC 1 Go direct? 206

液滴计数器 N/A 1 用于液滴计数

固定装置 N/A 1 3D打印定制 2

管材 IDEX 1502 ≥5英尺 1/16″外径 × 0.030″内径，PFA 28.45

管材连接器 P-245 IDEX ≥5 1/4-28，PFA 3.36

Ferrule IDEX P-200N ≥5 1/4-28，适用于1/16″外径，ETFE 1.79

流动速率和粘度下的液滴一致性

验证系统能够在实际的流动条件下保持准确的液滴质量和可靠的检测非常重要，因为基于体积的组分收集严重依赖于稳定的液滴形成。为了评估组分收集器的灵敏度、准确性和液滴质量一致性，我们进行了实验，以探测系统对流动速率和流体粘度受控变化的响应。我们使用了Vapourtec R2C+泵送模块来泵送所有溶剂、标准和试剂。在流动速率测试中，使用IPA（在25°C时的粘度约为2.2 cP）作为参考流体。R2C+泵以0.1到6 mL min?1的受控速率泵送IPA，同时液滴计数器和精密天平实时记录液滴计数和累积重量。每种条件重复三次，并记录所得液滴重量，以评估不同流动条件下的准确性和一致性以及时间精确度。在粘度测试中，使用粘度范围从1到500 cP的Siltech粘度标准品和乙酸乙酯（0.45 cP）以1 mL min?1的速率进行泵送。每种粘度测试重复三次，以评估液滴计数器是否能在不同粘度下可靠地记录液滴。

我们设计了一个使用四种视觉上不同的食用染料（红色、蓝色、黄色和绿色）的颜色转换实验，以评估组分收集器的分离精度。这些染料非常适合验证组分纯度，因为任何交叉污染都会产生容易检测到的光谱特征。这些染料以1 mL min?1的恒定流量依次使用R2C+泵进行泵送。样品根据预定义的时间间隔由组分收集器收集到孔板中。每种颜色序列重复三次，以评估重复性和连续组分之间的任何交叉污染。然后使用Cytation 5孔板读取器分析收集的组分，记录它们在可见光谱范围内的吸收光谱。每种纯染料溶液的参考光谱在相同条件下测量，以作为基准。

为了验证组分收集器在有机合成环境中的操作精度，我们选择了使用哌啶对nadic酐（5-诺bornene-2,3-二羧酸酐）进行氨基解的模型转化。该反应通过酸酐的亲核开环进行，产生酰胺-羧酸产物。反应在Vapourtec R2C+流动反应器中进行，该反应器有两个5 mL的反应器线圈（总反应器体积10 mL），使用无水THF作为溶剂。0.9 M nadic酐和1.0 M哌啶溶液分别连接到泵1和泵2。对两种反应物施加0.25 mL min?1的流动速率，并使用背压调节器（设置为8 bar）将总流动速率设置为0.5 mL min?1，以保持系统稳定性，总停留时间为20分钟。一旦达到稳态条件，使用组分收集器收集三个连续的1 mL组分。每个收集的组分使用旋转蒸发器蒸发，然后重新溶解在1 mL的CDCl3中。然后将200 μL的样品与50 μL的20 mM铁氰化物内标溶液在DMSO-d6中混合。为了减少溶剂和产物羧酸之间的质子交换效应，在核磁共振光谱（NMR）样本中添加了100 μL的DMSO-d6，以抑制COOH峰的宽化。将350 μL的最终溶液转移到3 mm的NMR管中进行分析。在Bruker Ascend 400 MHz NMR光谱仪上记录定量1H NMR光谱，该光谱仪配备了液体N2冷却的cryoprobe。使用30°的脉冲角度，放松延迟（d1）为35秒，计算为铁氰化物的纵向放松时间（T1 = 4.9 s）的至少7倍，以确保完全放松和准确的量化。光谱在25°C下获取，并以d-DMSO的残余质子信号（δ 2.50 ppm）为参考。产品浓度是相对于铁氰化物的积分确定的，以便直接计算产品产量。

基于液滴计数器的组分收集器设计

我们开发了一种耐溶剂的组分收集器，由低成本、模块化组件构建（图1A），以实现基于流动的系统中准确的、自动化的基于体积的采样。该系统基于台式CNC机器，提供精确的、可编程的XYZ运动，用于工具头和小瓶定位。一种耐溶剂的、可编程的选择阀将流体流向废物或样品小瓶，从而无需人工干预即可自动切换收集状态。液滴计数器允许实时、精确的体积跟踪，不受流动速率或泵定时影响，这在处理变化流动条件时特别重要。它还是一种紧凑且经济高效的连续高精度称重的替代方案。3D打印的固定装置将选择阀和液滴计数器集成到CNC机器上，并将分配管直接对准每个小瓶。该设计可以精确、灵活地访问大量收集小瓶，同时最小化样品之间的交叉污染。

图1

耐溶剂、由Python控制的组分收集器的示意图和硬件概述。(A) 系统的CAD渲染图，建立在3轴CNC平台上，用于自动化小瓶定位，配备液滴计数器进行实时体积监测，以及固定选择阀的3D打印固定装置。(B) 功能流程图，显示与上游流动反应器或泵的集成。选择阀在样品收集和废物模式之间切换。液滴形成由液滴计数器监控，从而实现准确的、基于体积的组分收集到用户定义的样品小瓶中。底部序列展示了用于防止交叉污染的可编程收集循环。图1B显示了过程示意图和工作流程。一旦从上游反应器开始流动，流体进入选择阀，该阀用于程序化地将输出流从废物切换到样品收集。最初，系统设置为将流体导向废物，直到反应达到稳态。达到稳态后，工具头移动到放在CNC平台上的本地废物容器，并将阀门切换为通过液滴计数器引导流体，用定义数量的液滴冲洗收集管。冲洗后，工具头转移到目标样品小瓶位置（在这种情况下，是在48孔板上）；在此转换期间，阀门暂时切换回废物模式，以防止不必要的滴落。一旦到位，阀门切换到收集模式，开始计数液滴。在这个阶段，持续记录液滴计数，以便进行精确的体积测量并为流控提供实时反馈。一旦达到目标液滴数量，系统会自动将选择阀切换回“废液”状态，直到下一次收集事件。通过使用管路的长度、内径和流速，可以编程定义组分转换的时间和所需的冲洗持续时间，从而使系统能够适应不同的流体设置。所有的流体处理操作和工具头运动都通过Python脚本控制，该脚本还会记录每个样品的液滴计数和时间戳。所有浸湿的组件都是由氟聚合物制成的，具有化学抗性，能够与诸如四氢呋喃（THF）、二氯甲烷（DCM）、丙酮和氯仿等强腐蚀性有机溶剂兼容。这使得该系统在水性和有机合成工作流中都有广泛的应用前景，而不会出现硬件退化或故障。无论流体流量和粘度如何变化，收集精度都能保持稳定。

确定组分收集器是否能够在不同的流量范围内可靠地进行基于体积的收集至关重要，因为实际应用中使用的流量范围很广。图2展示了从0.1到6.0 mL min?1的IPA分散液的累积重量与液滴计数的关系，每个流量下都测量了三次重复实验。曲线显示出一致的非线性关系，并且在重复实验之间以及不同流量之间也有显著的重叠。

使用IPA在不同流量下对组分收集器进行收集精度测试。该图表显示了液滴计数器记录的液滴数量与相应收集重量之间的关系，流量范围从0.1到6.0 mL min?1。每条曲线代表一个不同的流量，相关的液滴重量和线性拟合（R2）在图例中进行了总结。阴影区域表示每个流量下重复实验的标准偏差。红色虚线及其注释显示了整个流量范围内的平均液滴重量。从这些线性拟合的斜率中，我们确定平均液滴重量为8.0 ± 0.5 mg。液滴质量随着流量的增加而略有变化，从0.1 mL min?1增加到大约3 mL min?1，然后在更高的流量下略有下降。这一趋势形成了一个宽广的中心平台，表明在大多数测试范围内液滴的形成相对稳定。每个流量组内的低标准偏差证实了液滴计数器提供了连续、可重复的测量结果。测量的累积重量与液滴计数之间的强线性关系证明了液滴计数器在各种流量下的高灵敏度和精度。然而，在超过实际限制的流量（即约8 mL min?1）时，液体更可能以连续流的形式而不是离散的液滴形式从管路中流出，这会影响液滴的检测。在这种情况下，可能需要使用更大的管路内径来增加截面积，从而重新建立稳定的液滴形成。图3展示了在粘度相差两个数量级以上的不同流体中测量的液滴重量。尽管粘度差异很大（即0.45 cP到500 cP），但测得的液滴重量仍然保持在一个相对狭窄的范围内（约7–9 mg每滴），流体之间的变化也较为适中。每个粘度组内的小标准偏差（通常<0.1 mg每滴）表明即使流体流变性质有显著差异，液滴计数器也能一致地检测到离散的液滴。

基于液滴计数的组分收集器在不同流体粘度下测得的平均液滴重量。每个条形代表使用Siltech粘度标准（范围从1到500 cP）和乙酸乙酯（0.45 cP）进行三次重复测试后获得的平均液滴重量。误差条表示每种粘度条件下液滴重量的标准偏差。误差条是基于三次独立实验计算得出的标准偏差。观察到的流体间的差异可能受到泵的顺应性、流体密度、粘度和界面性质等因素的影响。在本研究中，1 cP标准观察到的相对较大偏差与其较低的密度一致，因为其他Siltech粘度标准在较高粘度范围内的密度更为相似。还观察到，较高粘度的流体有时会出现脉动问题和流量减少的现象，这可能是由于泵送系统的背压增加和机械限制所致。在准静态状态下，液滴的脱离主要受重力和表面张力之间的平衡控制，因此液滴的大小预计取决于流体性质，如表面张力和润湿行为，而不仅仅是粘度。因此，在其他条件相同的情况下，不同的溶剂或添加剂可能会产生不同的液滴体积。该系统并不假设所有流体的液滴体积都是固定的，因为可以根据需要通过参考测量（例如，重量分析）来经验性地确定有效的液滴质量，并对具有极端界面性质的流体进行校准。总体而言，结果表明该组分收集器与多种液体兼容，包括比典型的有机反应混合物更粘稠的流体，并且可以在不同的流动化学条件下支持基于体积的分组收集，同时在需要时允许进行流体特定的校准。

图4展示了组分收集器收集的彩色溶液的吸收光谱。每种颜色的特征峰由虚线标出。收集到的光谱与参考测量结果之间的强烈一致性表明，红色（约520 nm）、黄色/绿色（约430 nm）和蓝色（约630 nm）染料的预期吸收峰在所有三个批次中都得到了很好的保存。光谱之间有紧密的重叠，没有额外的或中间的峰，表明每个组分仅包含预期的染料。

组分收集器在三种不同批次中收集的食品染料溶液的吸收光谱。每个子图显示了使用板读数器测量的红色、黄色、蓝色和绿色染料溶液的标准化吸收强度。虚线表示每种纯染料的参考光谱，而标记代表三次独立的收集批次。颜色的特征吸收峰分别在λ = 520 nm（红色）、λ = 430 nm（黄色）和λ = 630 nm（蓝色）处用垂直虚线标出。这些结果表明，系统能够有效分离连续的水样，相邻组分之间的交叉污染可以忽略不计。三个独立收集批次之间的一致性反映了程序控制收集方案的鲁棒性和可重复性，表明时间间隔和阀门切换逻辑足够精确，可以重复使用。中间颜色的缺失也表明冲洗步骤有效地清除了管路中残留的先前样品，防止了组分之间的可测量携带。为了验证组分收集器在有机合成中的性能，我们选择了萘二酸酐（5-norbornene-2,3-dicarboxylic anhydride）与哌啶之间的氨基解反应作为模型反应。该反应通过酐的亲核开环产生酰胺-羧酸产物。反应在加热的流动反应器中进行（60°C，THF溶剂，总流量0.5 mL min?1），在达到稳态操作后，连续收集了三个1 mL的组分。每个组分在真空中干燥，然后重新溶解在含有二茂铁作为内标的氘代溶剂中，并通过定量1H NMR光谱进行分析，从而直接计算产物浓度、产率和生产率。反应方案和代表性的NMR光谱显示在图5中，定量结果在表2中总结。

（A）萘二酸酐与哌啶反应生成酰胺-羧酸产物的反应方案。（B）在稳态下连续收集的三个组分之间的1H NMR光谱叠加图（以二茂铁内标为基准进行标准化）。关键峰突出显示：二茂铁（4.0 ppm，红色框），DMSO-d6溶剂（2.5 ppm，绿色框）和羧酸质子（11.6 ppm，灰色框）。（C）COOH区域（10.5–12.5 ppm）的放大视图，显示所有三个组分之间的一致性非常好（积分：相对于二茂铁峰为5.51、5.57和5.44，设定为1.00）。

表2总结了收集组分的产率和生产率。

组分 产品（μmol） 产率（%） 流量（mL min?1） 收集时间（min） 生产率（μmol min?1）
1 275.50 55.10 0.5 2 137.75
2 278.50 55.70 0.5 2 139.25
3 272.00 54.40 0.5 2 136.00

经过对内标二茂铁的标准化后，所有组分中的COOH峰的积分几乎相同（即5.51、5.57和5.44），平均产率为55.1 ± 0.9%。这一结果突出了收集器在体积样品分离方面的精确性及其与下游NMR分析的兼容性。均匀的产品分布证实了组分收集器保持了一致的样品体积和组分之间的可忽略不计的交叉污染，验证了其适用于连续流动合成的定量监测。光谱数据和定量数据的高度一致性共同证实了收集器的准确性、可重复性以及其在自动化流动合成中的操作适用性，强调了其集成到高通量和自主化学平台中的强大潜力。

我们开发并验证了一种低成本的、由Python控制的组分收集器，能够在连续流动化学设置中进行准确的、基于体积的实时采样。通过整合可编程硬件、实时反馈和开源控制，该收集器提供了一个灵活的平台，适用于多种实验室工作流程和自动化管道。系统的耐溶剂性使其能够与合成中常用的有机溶剂（例如THF、甲苯、氯仿）兼容，克服了大多数低成本组分收集器仅限于水溶液或温和条件的关键限制。通过在不同流量和粘度下的测试，系统表现出大体上一致的液滴质量和检测灵敏度，确保了在各种反应条件下的稳健性能。通过可见染料实验和代表性有机合成的定量NMR分析，证实了分离的高保真度和可重复性，验证了在水性和有机条件下的分离质量和可重复性。这项工作降低了对高通量实验和自主合成感兴趣的化学家的硬件门槛，使先进的组分收集对更广泛的研究社区更加可及。未来的工作可能包括设计一个瓶盖封闭功能，以自动化HPLC或SEC样品制备，与在线分析的集成，以及机器学习引导的优化循环。

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

与本研究相关的数据、代码和硬件组装指南在GitHub上公开可用，地址为https://github.com/AccelerationConsortium/Frac-Collector.git，并在Zenodo上存档，链接为https://doi.org/10.5281/zenodo.19599205。作者感谢Stanley Lo在NMR分析方面的帮助，以及Niher Sarker和Allison Suichies在3D打印方面的支持。作者还感谢Jason Hattrick-Simpers教授在整个项目中的建议。这项研究部分得益于加拿大第一研究卓越基金（CFREF-2022-00042）对多伦多大学的资助。