一直以來，化學家們的工作都通過人工方式完成，雖然自動化在化學領域并非新鮮事，比如多肽的自動合成以及高通量篩選等，但這些自動化合成僅囿于單一類型的化學反應或流程，目前還沒有可以涵蓋所有合成有機化學的數字自動化標準和通用的化學操作編程語言。

　　有科學家向這一任務發起了挑戰！據美國消費者新聞與商業頻道網站近日報道，包括英國格拉斯哥大學化學家李·克羅寧等人在內，都在想方設法讓化學合成變得更自動化。

　　比如，克羅寧團隊研發出了“化學機器人”以及化學描述語言和相應的計算機軟件，這套系統可以將化學文獻翻譯成機器人可以理解的分子配方，并自動生產這些分子。

　　研究人員稱，這些研究和嘗試有望引領化學走入自動化時代，加速藥物研發進程，催生更高效的太陽能電池并助力太空探索。

　　“化學機器人”系統效率與化學家相當

　　據美國《科學》雜志報道，2018年年底，克羅寧團隊研制出了一款“化學計算機”，這是一套由試管、燒瓶、過濾和液-液分離裝置、蒸發器、以及輸送化學物質的管道、閥門和泵組成的系統，其能運行一套編程語言控制相關分子的生成。

　　據悉，他們利用這一程序化自動合成系統，在無須人力干預的情況下制備出了3種高品質藥用化合物：鹽酸苯海拉明、魯非酰胺和西地那非，其生產效率和產品純度堪比人工合成。

　　現在，他們朝著化學自動化邁出了重要的第二步！本月初，克羅寧團隊在《科學》雜志上宣布，他們研發出了一套專用的化學描述語言（XDL），其可以教“化學計算機”做什么，此外，還研發出了一套名為SynthReader軟件，可將經過同行評議的學術論文變成“化學計算機”可以執行的程序。

　　總而言之，克羅寧團隊的新系統將添加等指令轉換為XDL，XDL指導“化學計算機”使用其加熱器和試管執行相應的化學反應過程。他表示，該系統的優勢之一是化學家可以用簡單的英語編輯化學反應，無須培訓即可操作機器。至關重要的是，研究人員可以利用其化學專業知識發現代碼中的錯誤。

　　研究人員對該系統開展的測試結果表明，其從文獻中提取了12種化學配方，“化學計算機”執行這些過程的效率與人類化學家一樣。

　　克羅寧的夢想是，未來研究人員可以像發送電子郵件和打印PDF文件一樣輕松地組裝和生產分子，使藥品生產加快進入數字化時代。如此一來，化學家不必再去親力親為做常規合成，可以完全專注于尋找新的反應。此外，這套系統可以通過讓化學家遠離實驗室來使合成更安全，并通過幫助研究人員最大限度地減少溶劑使用，實現綠色環保。

　　克羅寧團隊希望，他們接下來能開發出一個重要分子配方的在線存儲庫，可供研究人員免費下載，這有望幫助發展中國家更輕松地獲得藥物，實現更有效的國際科學合作，甚至為人類探索太空提供支持。

　　競相將化學帶入自動化時代

　　克羅寧團隊并非單槍匹馬在奮斗！目前有數十個小組在競相將化學帶入自動化時代。研究人員認為，這一領域所取得的進展有望催生更安全的藥物、更高效的太陽能電池板以及顛覆性的新產業。

　　SRI生物科學公司就是其中之一，該公司正在開發另一套自動化化學系統。首席戰略官奈森·柯林斯說：“過去200年來，大多數化學方法大同小異，這是一個非常手工的、由人力驅動的過程，目前，我們正在改變這一現狀?！?/p>

　　柯林斯團隊正在研發的系統名為“自動合成”。該平臺使用了一種名為“流動”化學的替代方法?？肆_寧的方法是讓物質在一個燒杯中混合，然后移至另一個燒杯中。而流動化學則讓化學反應持續進行：化學品一起在管道中流動，在那里發生反應并被帶走?？铝炙箞F隊今年6月撰文指出，“自動合成”系統擁有3000多種通路，可以重現幾乎任何一種液基反應。

　　克羅寧表示，盡管“自動化學”和“化學計算機”都可以復制今天已經出版的大多數化學反應，下一步將是使這些機器更可靠。柯林斯則補充說，以前，“自動合成”系統50%的錯誤需要一名工程師來修復，但現在錯誤率不到10％，他們希望用戶最終可以通過電話來排除系統故障。

　　柯林斯強調說：“化學自動化仍是新生事物，過去18個月，它才開始真正爆發。”

　　機器學習是“秘密武器”

　　研究人員指出，驅動該領域快速發展的一個“推手”是美國國防部高級研究項目局。該部門發起了名為“制造（Make-It）”的四年計劃，“化學計算機”和“自動合成”都囊括其中。該計劃項目經理安妮·菲舍爾的長期目標是加快發現有用分子的過程。

　　菲舍爾解釋稱，要發現新分子，化學家需要費力將原子精加工成新穎的結構，“制造和測試這些分子費時費力”。但現在，“制造”項目促進了“化學計算機”和“自動合成”等機器人工具的研制，這些機器可以用于快速自動制造出分子。

　　菲舍爾目前正領導一個新項目——“加速分子發現”，這是化學自動化的新階段：開發出更智能的軟件來告訴機器人要制造什么分子以及如何制作它們。

　　許多人認為，要做的這一點，“秘密武器”在于機器學習?，F在有不少科學家在朝這方面努力，開發能進行基本化學學習的機器。比如，去年，美國麻省理工學院的化學家康納·康利所在的團隊讓一款算法與一套自動流化學系統“聯姻”，以更好地指導系統的運行。他們用包含數十萬個化學反應的數據庫對該算法進行了訓練，該算法也能預測新產品的配方?？道f：“基于這些模式，該系統可以發現如何設計出從未見過的新分子?！?/p>

　　不過，康利也強調說，這套系統要想真正“大顯身手”，還有很長的路要走。首先，它的預測基于相似的分子；而且，人類化學家需要夯實機器生成過程中缺少的細節。

　　目前，該團隊正在與十多家化學和制藥公司合作，以改進其分子預測算法。一些公司已將該軟件投入使用，默克制藥公司計算和結構化學助理副總裁胡安·阿爾瓦雷斯表示，康利的機器學習算法是公司向內部研究人員提供的多種化學預測工具之一。

　　盡管每個小組都從不同角度探討化學的自動化問題，但他們殊途同歸。菲舍爾說：“我們的目標不是取代化學家，而是為化學家提供工具，使他們能夠更好、更快地實施和應用化學方法，并使他們‘變身’為富有創造力的思想家。”