从离线预测到闭环筛选:机器学习如何参与反应优化

两种“机器学习找好条件”的含义

化学反应优化常被概括成“用机器学习找催化剂”,但这句话可能指两件不同的事。离线建模以已经完成的实验为样本,学习反应组分、配体、碱、溶剂等特征与产率之间的关系,再对未测试组合进行预测。闭环筛选则把实验决策放进循环:算法根据已有结果挑选下一批条件,实验平台实际执行并测量,结果回到模型,下一轮建议随之更新。

离线预测回答“在已有数据形成的关系中,这个组合的结果可能是什么”;闭环优化回答“下一次有限预算的实验应该测什么”。闭环并不意味着系统完全无人值守,实验准备、样品设计、数据质量检查和安全评估仍需要人或自动化设备完成。关键差异在于每轮建议是否由新实验结果反馈,而不是是否在论文里使用了机器学习。

flowchart LR
  A[历史实验数据] --> B[离线模型]
  B --> C[对未测条件预测]
  C --> D[人工决定是否实验]
  D --> E[结果加入训练数据]
  E --> B
  F[闭环优化器] --> G[选择下一批条件]
  G --> H[真实实验与测量]
  H --> I[更新数据与不确定性]
  I --> F

图中上半部分也可以在研究者手动决策后形成反馈,但如果算法并未根据实验结果迭代选点,就不能把一次离线预测称为完整闭环优化。相反,闭环可以由人操作仪器,而不一定依赖移动机器人;自动化程度与反馈决策是相关但不同的维度。

Ahneman 等人:在特定 C–N 反应空间做离线性能预测

Ahneman、Estrada、Lin、Dreher 与 Doyle 在 2018 年发表于 Science 的论文 Predicting reaction performance in C–N cross-coupling using machine learning,从高通量实验获得的反应数据出发,研究模型能否在多维化学空间预测反应表现。论文具体研究的是钯催化 Buchwald–Hartwig 型 C–N 偶联:芳基卤化物与 4-甲基苯胺反应,并考察可能有抑制作用的添加剂。作者构造原子、分子和振动描述符作为输入,以反应收率为输出,比较随机森林与线性回归等建模策略。

这项工作证明机器学习可利用较丰富的高通量实验样本,拟合复杂组分组合与收率之间的关联。随机森林在作者的研究设定下比线性回归有更好的预测表现;论文还考察了稀疏训练集与样本外预测,指出模型可能帮助合成方法学研究。这里的“样本外”是论文定义的数据拆分和反应空间范围,不应被解读为对任意新反应、任意催化剂或跨实验室条件的普遍外推。

最重要的是,该论文的核心是基于既有实验数据进行建模和评估,而非机器人每轮调用模型挑下一组实验并根据测量结果自适应更新。它不应与闭环筛选的实验量、实验周期或自动化能力混为一谈。离线模型可以为后续筛选提供假设,实验者也可以据此缩小搜索空间,但那是下一步的实验设计,不是原论文中模型性能预测本身已经完成了闭环验证。

此外,描述符模型学到的是研究者选定反应空间中的经验关系。芳基卤化物、配体、碱、添加剂及其他因素的组合空间有限,具体反应类型和底物范围决定了模型能回答的问题。若把该模型用于不同底物、不同催化体系或实验流程,必须重新验证;不能把在一个反应系列上的预测优势直接推广成“AI 已经能普遍筛选催化剂”。

Burger 等人:移动机器人将实验接入 Bayesian 搜索

Burger 等人在 2020 年发表于 Nature 的 A mobile robotic chemist 提供了更接近真实闭环的例子。研究目标不是通用有机偶联,而是寻找用于水分解制氢的改进光催化剂混合物。系统通过移动机器人在实验室执行实验,并用批次式 Bayesian 搜索在十个变量构成的实验空间内选择组合。测量的实验结果进入下一轮搜索,使算法能根据已观察到的表现调整探索方向。

论文摘要报告机器人自主运行八天,完成 688 次实验;最终识别出的光催化剂混合物活性达到初始配方的六倍。这里的结论是针对所研究的光催化剂配方、变量空间、制备与测试流程。它显示把机器人操作能力与闭环优化结合,能够在特定复杂实验空间中高效寻找表现更好的候选混合物;并不说明所有化学反应都可以用相同设备和工作流自动化,也不代表六倍提升可转移到其他催化体系。

这项工作的重要设计点是“自动化研究者”而不仅是固定的实验仪器流水线:移动平台在多个位置和仪器间移动,承担样品处理、测量等操作,再由优化策略驱动试验顺序。可移动平台更灵活,但也把任务规划、设备接口、操作可靠性和安全约束带入系统。研究演示的是一个具体实验路线,不是已经解决所有实验室操作的通用机器人。

闭环筛选的价值来自两个环节同时成立:实验要能按计划执行并得到可用数据,决策算法也要能把新测量用于下一轮候选选择。若测量误差、样品制备差异或实验失败没有被正确记录,算法可能将噪声当成信号;若优化只追逐单一活性指标,也可能遗漏稳定性、成本、可扩展性和选择性等真实目标。因此,机器自动跑实验不等于实验数据自动可信,优化目标也必须由化学问题定义。

Shields 等人:Bayesian 优化既可接人,也可接自动化平台

Shields 等人在 2021 年发表于 Nature 的 Bayesian reaction optimization as a tool for chemical synthesis,提出面向反应条件优化的框架与开源工具 EDBO。Bayesian optimization(BO)用已有反应结果拟合概率代理模型,并利用预测均值与不确定性决定下一批实验。算法在高预测收益区域进行利用,同时也会考察不确定区域进行探索;完成实验后,真实结果被加入数据,更新模型并继续迭代。

此处的闭环可由自动化系统执行,也可以由化学家在实验台上执行。论文强调工具兼容自动实验与 human-in-the-loop 实验,说明闭环的定义是测量结果是否反馈到后续决策,而不是每个步骤是否由机器手完成。研究先使用钯催化偶联数据考察建模和优化策略,再通过在线游戏比较 Bayesian 优化与化学家决策;游戏中的选择关联到真实实验结果。作者报告,在该比较设定下,BO 在平均优化效率(实验次数)和结果一致性方面优于人类决策。

论文还将方法用于两个药物化学相关的真实优化案例:Mitsunobu 反应和脱氧氟化反应。这个多层次证据比只在静态表格上回测更接近实际使用,但仍不表示 BO 可以替代化学家。在线游戏比较取决于参与者数量、起始数据、允许的实验预算和如何处理未完成回合;反应优化案例也限定于具体底物与定义好的可调参数。BO 的效果受搜索空间编码、先验数据、实验噪声、批次大小和目标函数影响。

BO 本身是一种选点策略,而非一套化学知识的替代品。它能根据数据平衡探索与利用,却不会自动知道哪些反应不安全、哪些试剂不兼容、哪些变量应固定、或哪种副反应值得关注。设计搜索空间时往往需要领域知识;实验执行与测量也需要匹配目标。模型选择了高产率条件,并不保证选择性、纯化、放大和成本同样理想。

离线预测、虚拟回测和真实闭环的证据层级

评估反应筛选研究时,至少要区分三种证据。离线测试把历史数据切分为训练与测试,检查模型对留出记录的预测能力。它适合评估拟合,但无法证明下一次实验会由算法选对。虚拟回测把已知实验表格当作可查询的模拟环境,在历史实验结果上重放选点策略;它能比较搜索算法,却无法包含真实实验过程中的失败、测量漂移或执行错误。前瞻闭环实验则由算法实际选点、执行反应并测量结果,结果进入下一轮。其证据最接近真实优化,但也只覆盖论文实际试验的反应和条件范围。

评估类型 测量什么 能支持的结论 不能单独支持的结论
离线测试 对留出历史记录的拟合或预测 模型在该切分上的泛化表现 下一次实验一定更好
虚拟回测 策略在记录表上的选点效率 在该回测设定下的搜索表现 真实实验流程已被验证
前瞻闭环 模型选点后实际实验结果 特定实验空间里的迭代优化能力 对所有化学反应普遍有效

三者也不是单向的“低级到高级”替代。离线数据能帮助筛掉明显差的模型;虚拟回测适合快速评估算法;前瞻实验则成本高、数量有限。可靠研究常需要多种证据互补,并清楚报告训练集、验证集、回测集和新实验的区别。

为什么催化剂筛选不能只看预测准确率

催化剂筛选的目标通常是从大量候选中找到有用组合,而不是准确复述每个实验的连续产率。对某些决策而言,排序质量、最优候选命中率、达到目标所需实验数,可能比平均绝对误差更有用;若结果噪声大,重复实验和置信区间也重要。反过来,仅报告最终发现一个高活性候选,也不能说明方法普遍高效,除非和随机、专家或其他优化策略在相同预算下比较。

闭环工作还必须明确实验目标。产率、选择性、转化率、活性、稳定性、成本与安全性可能互相冲突。单目标 BO 优化的是研究者指定的函数;如果把收率作为唯一结果,算法不会自动平衡环境影响或原料价格。多目标决策需要明确的约束、权重或 Pareto 选择,而不是在结论中临时增加未测量的目标。

实验的可重复性也必须进入数据模型。若同一条件组合有重复测量,应区分真实变异、仪器误差和批次效应;若不同批次改变了底物纯度、反应器、分析方法或操作人员,简单地把所有数据放在一张表里可能形成隐含混杂。BO 的不确定性估计只有在模型假设和数据分布较合理时,才可能支持可靠的探索决策。

从论文结果到实验室工作流

若要将这些方法用于新体系,可以先用离线数据建立基线并识别重要变量,再由化学家定义安全且有意义的搜索空间。随后用小规模试验或高通量平台建立起始数据,选择 BO 或其他策略提出下一批条件。每次实验都应同时保存输入条件、实际执行偏差、分析结果、失败原因和重复信息;算法读取的是实际发生的实验,而不是计划执行的表格。最后还需要独立复测候选最佳条件,确认它不是单次偶然高值。

离线模型可以帮助回答“值得优先试哪些条件”,闭环优化可以帮助回答“在有限实验预算下怎样迭代找优”。实验机器人则回答“怎样可靠执行和测量这些建议”。三者拼在一起才是一套可能的实验闭环,但每一层都有自己的错误来源和证据标准。

Ahneman 等人的离线 C–N 偶联预测、Burger 等人的移动机器人光催化剂搜索和 Shields 等人的 BO 反应优化,展示的是三个不同研究层次,而不是同一个系统的连续版本。比较时关注任务、数据来源、实际是否做新实验、以及实验反馈怎样影响下一轮决策,比笼统说“AI 筛催化剂”更有信息量。

参考资料

← 返回资讯列表

读者留言

COMMENTS 暂无
仅本站原创文章开放留言 · 请勿留下手机号、邮箱等个人信息

还没有留言,来说第一句?