ARTICLE · 1315038
当 AI 走进实验室:AI越强,真实实验越重要
今年以来，丹纳赫、礼来、罗氏以及 AI 大模型公司 Anthropic，纷纷加大对 AI 与真实实验结合的投入。从科学仪器、制药到 AI 企业，越来越多行业参与者正在将实验执行与数据获取纳入 AI 研发体系。
这些企业为何纷纷将目光投向湿实验室？这一趋势与 AI 发展之间，又存在怎样的关联？
一、仪器、制药与 AI 企业，正在同时走向湿实验
先看仪器企业。
10 月 7 日，全球科学仪器巨头丹纳赫（Danaher）宣布，将建设公司首个 AI 自主实验室。该实验室落地于旗下抗体公司 Abcam，预计于 2027 年初实现规模化运行。
实验室将整合人工智能、机器人及丹纳赫旗下多家公司的技术，建立从分子设计、实验执行到结果验证的工作流程，让真实实验结果持续反馈给 AI 模型。
10 月 14 日，丹纳赫又宣布与英伟达（NVIDIA）展开合作，将科学仪器、实验自动化、数据处理和 AI 计算能力结合起来，推动实验结果反馈模型、模型指导后续实验的持续迭代。
大型制药企业的布局更早。
今年 1 月，礼来（Eli Lilly）与英伟达宣布共建 AI 联合创新实验室，计划在五年内最高投入 10 亿美元，涵盖人才、基础设施和算力。双方希望将生物学家、AI 研究人员和工程师聚集在同一研发平台，连接 AI 模型与真实实验，加快药物研发和实验数据生成。
罗氏（Roche）则持续推进 Lab-in-the-Loop（实验室闭环）模式：模型根据已有实验数据提出候选方案，研究人员开展合成与测试，再将实验结果反馈给模型，用于下一轮设计和优化。这一模式已经被用于罗氏的药物发现与研发工作。
AI 企业也开始将技术能力延伸至实体实验室。
今年 9 月，路透社报道，AI 大模型公司 Anthropic 已在旧金山湾区设立实体生物实验室，开展真实的生物学实验研究。
其生命科学负责人表示，生物学研究的最终检验仍然离不开真实实验。Anthropic 也在探索利用 Claude 辅助机器人开展实验工作，但目前仍处于早期阶段，需要人工监督。
从仪器、制药到 AI 企业，越来越多市场主体开始布局实验设施与自动化能力，推动 AI 从计算与预测走向真实实验，也让湿实验成为 AI 生命科学研发中越来越重要的一环。
二、模型能力不断提升，高质量实验数据成为关键瓶颈
这一变化的背后，是 AI 模型能力提升与生命科学数据需求增长之间的关系。
过去几年，AI 模型在蛋白质结构预测、分子设计、细胞状态分析等领域取得了明显进展。生成式模型和计算工具不断发展，也让越来越多的研发团队能够使用先进的 AI 能力。
但模型能力提升，并不意味着生命科学中的问题都能通过计算解决。
尤其对于复杂的生物系统，仅有基因序列、蛋白质结构和静态实验结果，往往不足以完整描述细胞在真实环境中的行为。
AI 生命科学研发需要的，不只是更多数据，还包括能够反映实验条件、细胞行为与功能结果之间关系的高质量数据。
其中，有三类实验信息尤其值得关注：
动态功能数据：细胞的功能状态并非固定不变。它在培养、刺激或药物处理过程中如何变化？例如，细胞在不同时间点的生长、分泌和杀伤能力有何差异？连续观察能够提供单一终点检测难以呈现的信息。
扰动响应数据：药物处理、基因编辑或环境变化，都可能引起细胞状态改变。不同细胞对同一种扰动也可能产生不同响应。将实验条件与细胞响应关联起来，有助于研究人员理解这些差异，并为模型提供更丰富的学习依据。
阴性与失败数据：没有达到预期效果的实验，同样具有研究价值。无效的药物处理、未达到目标功能的细胞，以及不同条件下出现的异常响应，都有助于识别预测的适用范围与局限。如果只保留成功结果，模型可能对实验效果形成偏差判断。
动态功能、扰动响应与阴性结果，构成 AI 生命科学研发所需的重要实验数据
目前，部分细胞表型与扰动数据已经通过公开数据库共享，但针对特定细胞类型、实验条件和功能问题的数据，仍然需要通过新的湿实验持续积累。
数据质量同样重要。细胞来源、实验条件、检测方法、时间信息与质量控制记录越完整，实验结果越有利于复核、比较和后续分析。
实验室的角色也正在进一步拓展。
过去，实验流程通常围绕研究人员提出的假设展开。如今，随着 AI 逐步参与实验设计和结果分析，实验室还承担着持续生成高质量数据、为模型预测提供反馈的重要任务。
模型可以提出预测，但细胞究竟如何响应、实验结果是否符合预期，仍然需要通过真实实验来回答。
三、从自动化到自主实验室：AI 开始参与实验决策
提到自动化实验室，人们往往首先想到机械臂、自动移液系统，以及可以连续运行的实验设备。
这些技术能够减少人工操作，提高实验执行的一致性。但 AI 自主实验室的变化更进一步：AI 开始参与决定实验要做什么，以及下一轮实验应该如何调整。
在传统实验流程中，研究人员负责设计实验、操作设备、分析结果并决定下一步工作，自动化主要用于提高执行效率。
而在 AI 自主实验室中，AI 模型可以依据已有数据提出假设、筛选候选方案，并参与下一轮实验的设计。自动化系统负责执行实验，产生的数据经过分析与质量控制后，再反馈给模型。
由此形成一条持续迭代的实验闭环：
模型分析与预测 → 实验设计 → 自动化执行 → 数据采集与质控 → 结果反馈 → 下一轮实验
AI 驱动自主实验室的数据闭环流程
这意味着，实验室既承担将模型预测转化为真实实验的执行任务，也承担将实验结果转化为可分析数据的任务。
每完成一轮实验，模型就能够获得新的反馈，用于检验预测、识别偏差，并为下一轮实验提供依据。当然，模型能否持续改进，仍然取决于实验设计和数据质量。
在这样的研发模式下，能够持续获取真实、可靠实验数据的仪器平台，正变得越来越重要。
四、让 AI 看见真实细胞：OptoBot®1000的数据价值
对于 AI 驱动的生命科学研究而言，模型需要通过实验数据了解细胞的真实行为。那么，如何高效获取丰富、可靠的单细胞功能数据？
追光生物OptoBot®1000高通量单细胞光流控分选平台，正是面向这类实验需求的技术平台。
OptoBot®1000 高通量单细胞光流控分选平台介绍视频
OptoBot®1000以光电镊（OET）和微流控技术为核心，融合高通量生物芯片、多通道成像、自动化控制及OptoMind®智能软件，将细胞导入、精准操控、单细胞分离、片上培养、功能检测和目标活细胞回收整合在同一平台。
系统通过光电镊实现芯片内细胞的非接触式精准操控，结合自研OptoTrap Chip®微流控芯片，为单细胞提供相对独立的培养与检测环境。配合五通道荧光及明场成像，研究人员可以持续观察细胞的形态、生长、分泌及功能变化，并根据检测结果筛选目标细胞，进一步导出开展测序、扩增和分子分析。
同时，OptoMind®软件支持 AI 辅助细胞识别、路径规划、图像分析及实验工作流管理，对实验过程进行成像记录与数据归档。
围绕高质量实验数据的获取，OptoBot®1000具有三方面的技术特点。
1.高通量动态观察，获取丰富的单细胞功能数据
OptoBot®1000采用OptoTrap®微流控芯片，针对不同应用提供多种芯片规格，在抗体发现等场景中最高支持 24,000 个微腔并行。
结合片上培养、培养基置换、五通道荧光及明场成像，并配合相应的功能检测体系，平台能够围绕同一细胞开展连续观察与多轮检测，记录细胞的生长、分泌及功能变化。
OptoBot®1000可实现细胞精准导入、培养增殖、分泌物检测、导出
这些动态、多维度的实验信息，能够为后续 AI 分析与模型开发提供更加丰富的数据基础。
2.根据功能表现筛选细胞，让实验数据指导后续研究
OptoBot®1000能够根据细胞的功能检测结果筛选目标细胞，再通过光电镊技术将感兴趣的活细胞定向回收。
例如，在抗体发现中，可根据抗原结合、相对亲和力或阻断等检测结果筛选目标 B 细胞；在细胞株开发中，可结合细胞生长与分泌表现，识别值得进一步扩增的克隆。
回收的活细胞还可以进入后续扩增、测序或其他分析流程。
细胞导入腔室，导入检测珠和试剂后，捕获分泌抗体
这种“先观察功能、再选择细胞”的能力，让实验数据直接参与筛选决策，也为后续研究保留了有价值的目标细胞。
3.实验过程可记录、可追溯，为数据积累提供基础
OptoBot®1000 配备的OptoMind®智能软件，支持 AI 辅助细胞识别、路径规划、图像分析和实验工作流管理。
从细胞导入、培养、检测到导出，平台能够记录相关图像与实验数据，将细胞的功能表现与实验过程关联起来。
这些数据经过进一步的质控、整理和标准化处理，可以为后续统计分析、模型验证以及长期数据积累提供基础。
从高通量筛选、动态功能观察，到目标活细胞回收和实验数据记录，OptoBot®1000 将多个关键实验环节连接起来，为高质量单细胞功能数据的获取提供技术支持。
OptoBot®1000 单细胞动态观察、功能筛选回收与数据追溯技术特点示意
随着 AI 越来越深入地参与生命科学研究，能够持续生成真实、丰富、可追溯实验数据的仪器平台，将成为连接 AI 模型与生物学实验的重要基础。
让 AI 更好地理解生命，始于让每一个细胞的真实表现被看见、被记录、被利用。
了解更多追光生物技术平台
追光生物围绕光电微流控、单细胞功能筛选、数字微流控、结构光投影及活细胞培养等方向，持续构建面向科研与产业应用的生命科学工具平台。
点击下方 阅读原文，进入追光生物产品中心，了解相关产品与解决方案。
关注“追光生物”公众号，获取更多技术解析、应用案例、产品进展与科研成果。
商务咨询邮箱：sales@optoseeker.com
