在不遠的未來,化學和生物實驗操作是否會被全自動合成儀取代?

阿法狗已經可以下贏圍棋,如果讓類似的人工智慧能夠識別化學鍵性質,判斷合成路線可行性,是不是可以單純用窮舉法,甚至用不上更高級的演算法,就設計出全合成路線,用機械臂完成合成操作?或者單純按照人工設計的實驗路線進行合成?而且機器的操作更快速更精確,那麼到時候用人工合成豈不成了非主流,甚至被完全取代?


我的科研學習生涯中涵蓋了有機化學,無機化學,高分子化學,理論與計算化學,生物化學等幾乎所有主流化學操作,得益於我太太的熏陶,我也會用python,並會一些簡單的machine learning和data ming。正因為如此,我更深刻體會到化學是一門是實驗科學的精髓,計算機和自動化可以極大提高效率,他們將是科學家的好助手,而非掘墓人。

操作機械化是必須的,是正在發生的,也是未來的必然。但是科學家是不會被取代的,反而會因為從繁重的重複勞動中解放出來,過得更好。

舉兩個例子。

第一個是通過x射線衍射解析晶體結構。在布拉格方程提出後,其實已經沒有理論上的困難了,在很長一段時間裡,解方程成了很多晶體學學者的主要日常。很快,自上世紀70年代起,得益於計算機的飛速發展,通過程序輔助解析,極大提高了工作效率。時至今日,原來很多需要博士生解數年的結構,現在只要幾天甚至幾個小時就能完成。

而晶體學並沒有因此衰落,晶體學家也沒有失業,反而隨著晶體解析越來越容易,各個相關學科都更願意利用晶體學方法幫助自己,優秀的晶體學家比上世紀70年代時甚至更加緊俏。

第二個例子是HPLC和GCMS對有機化學,尤其是合成化學的促進。做過有機的都知道過柱子純化分離是日常,非常無聊且痛苦的日常。HPLC的引入,配合GCMS和NMR,可以使你迅速判斷一個反應有沒有生成你的目標產物,即這個反應有沒有必要繼續優化下去。甚至偶爾還會發現意外產物,促進你反思反應機理,得到更大的驚喜。

自動化分離檢測手段的出現也沒有讓有機磚工失業,反而極大推動了合成化學,許多小分子藥物和新材料的發現也得益於此。

據說自動加不同濃度配體,加催化劑,進而自動篩選方法學條件的,自動做實驗機!也得到了越來越廣泛的應用。我是很欣慰的,因為科學家最寶貴的在於腦力勞動,這些繁重的體力工作可以被更安全可靠的機器替代,只會讓相關學科更繁榮,讓人類生活更美好。

沒有必要神話machine learning,我最近也看到很多文章用ML來指導配體設計,進而優化反應,都發表在很好的雜誌和期刊上。但是說實話,這些工作更多的是自娛自樂,騙騙行外人,對反應本身沒有太多指導意義。沒有深刻被各種奇葩反應折磨過,無法體會什麼叫實驗科學的。。。美妙。。。

##

一個笑話,你們就能體會,化學,這門實驗科學,現階段為什麼指望不上machine learning了。

當年研究生那會,上全合成大神楊震老師的課,作業是給定分子,設計一條全合成路線。楊老師瞟了一眼我設計的路線,淡淡的說到,

「還行吧,反正fundamentally你是對的,當然不靠譜的地方還是很多。不過我覺得挺好的,我設計了那麼多看上去靠譜的路線,結果到最後都因為各種各樣的原因不work,你這個說不定看上去不靠譜,結果work呢?Pass!」


做合成的機器應該十年之內就會有商業化產品出現。設計合成路線的人工智慧可能短期內還比較難。簡單的分子可以通過資料庫里有的經典切斷逆推,但是只能做簡單的顯然意義不大,我猜暴力窮舉然後給每條路線打分給出最優的一種或者幾種然後讓人類來選比較有可能。有沒有轉CS的磚工試試的。。。


不遠的未來?自動化的實驗操作平台,已經是完成時的,用了N多年了吧……………………………………

我前幾個月應邀寫了兩篇文章,知乎專欄上也有。一言以蔽之,常規的化學、生物化學、分子生物學、微生物實驗,都已經有了成熟的商品化平台,可以實現半自動甚至全自動的實驗操作。

上篇:Automated Science系列:解放手工作業科研勞動者(上)——實驗室自動化 - 藍晶實驗室 Bluepha Lab - 知乎專欄

下篇:Automated Science系列:解放手工作業科研勞動者(下)——雲端實驗室 - 藍晶實驗室 Bluepha Lab - 知乎專欄

做文獻閱讀併產生假說的AI也已經是完成時了,也已經N多年了,甚至都用不著deep learning:The Automation of Science

至於實現理性設計的人工智慧,我看還得有幾年…不妨考慮一下Machine learning基本盤:

1. 首先得有個能夠形式化(代碼)清晰定義的目標函數。

2. 確定的規則。

3. 足夠大的訓練集

到目前為止,目標函數的問題在很多成熟的領域基本上算是比較好解決的。但如果你比如說只是有個idea要設計個什麼什麼小分子治療什麼什麼癌症,那你還缺很多很多碼農。

確定規則的這個要求,基本上能卡死絕大多數學科。基本原理研究清楚不是最難的,困難的是模型中的「參數」,如果參數不能測量,或者不準,就算搞一個AI,也只能效率很高地生產錯誤結果。

足夠大的訓練集,好歹得有精確測量的幾萬個實驗做依託吧……又一批一批的學科倒下了。

再者說,如果我們能解決這三項之後,ML是不是必須的?就我所在的合成生物學領域,解決了前兩項,就已經能生成一個比較靠譜的程序了:Genetic Circuit Design Automation,一個名叫Cello的演算法,差不多是2015年完成的,可以自動設計遺傳線路。


化學咋樣不清楚,生物學實驗一般是這樣的:

你看了一篇文獻,提出了一個假說。

先把實驗設計好,種幾個孔怎麼處理什麼的,寫在紙上

然後你需要去收細胞,加樣,加入各種奇奇怪怪的東西

靜靜等待反應進行(此時你需要去做一些日常工作維持實驗室的基本運行,比如給細胞換液)

反應完之後收樣,根據你的需要,可能是跑wb,可能是跑流式,可能是跑PCR,可能都需要。

最後處理實驗結果。

以上內容,除了斜體那兩項之外,剩下的都可以讓一個訓練有素的清潔工阿姨完成,可能做得還比你做的好很多。

如果換做一個機械手的話,效率肯定還可以再提高一個檔次。

於是我們就有了一個好消息和一個壞消息。

好消息是:分子生物學裡90%的實驗其實可以讓機器來完成,人只管設計實驗就足夠了。

壞消息是:人力在這個領域無比廉價,機器的高昂成本註定了短期內難以普及。

更壞的消息是:就算中國的勞動力價格漲了,老闆們也可以從亞非拉招收更多搬磚工來幹活,就像現在的美國人一樣。

另:現在生物學實驗室這麼多人不光是勞動力價格低的問題,還有後續人才儲備的問題,學生總是會往高處走,老闆則希望手下是跟隨自己比較久的搬磚工。


在未來,完全有可能。但在不遠的未來,我只持保守樂觀的態度。因為難點還是很多的。

第一,對化學本質的研究尚不完善。化學體系非常複雜,現有的計算方法在進行不少近似的前提下依然非常耗時。使得結果精度和方法實用性不高。基本是搞計算的人自己在玩兒,做「傳統」化學研究的人不愛用,依然相信實驗結果。

第二,程序設計困難。既要懂生化,又要懂程序設計。這倆哪個都是大坑。

第三,成本。成本高了沒人用,成本低了一大票人要失業了。當然大勢所趨情況下,重複的磚工被高效率機器和程序代替沒什麼值得大驚小怪的。個人也認為磚工型科研人員被失業一點不值得同情。但成本高的話確實也很難解放磚工們。成本問題決定了這些東西會不會吸引人們去做它,有沒有動力去實現它,畢竟這東西的成品就不只是兩三頁掛在網上的紙了,而是最終拿出一個工業合格的產品(軟體or機器)。

但是為什麼說樂觀呢?

首先,對本質研究的不清楚並不一定就妨礙設計出可行的演算法。現在的問題是用程序得到結果耗時長,可靠性不高(包括一些問題完全不能用計算解決,無從下手的狀態),了解化學本質並用於程序設計上可以保證結果的可靠性,如果有建立在完善理論上的可靠程序,那麼實驗結果上的意外就可以得到更好的分析和解決。但是也可以像阿爾法狗那樣,阿爾法狗未必達到圍棋的本質,但靠實力已經讓圍棋職業選手不會質疑它水平了。同樣,只要程序能夠得出比現在可靠的多的結果也就可以了,也許程序背後並沒有用到什麼高深的理論,但它就是可以給出可行的答案來。

然後,雖然計算機和生化都是坑,但坑總是可以填的。科技的進步速度擺在那裡,未來速度大大加快不是不可能。缺的只是去做這件事的人。我不覺得這件事是僅靠cs相關人員能搞定的,但是生化坑裡的人,我接觸的人要麼對這個不感冒,要麼就是嗤之以鼻,當然完全不懂的人是最多的。實現它的希望或許可以放在那些跳坑去CS的磚工?

最後,生化科研本來就有很多工作是機器程序可以做的。生物不了解不多說,化學裡面,加試劑,搭反應,看反應,後處理,產物分離(也就是著名的柱子點板子),譜圖分析都是可以一條龍機器走下來的,干過這個的人都知道這些事情就是體力勞動。而在idea方面,好的AI也可以起到啟發,預測,前期嘗試,結果分析等等作用。

所以,這件事是完全有可能的,但由於化學理論基礎限制,目前相關研究的緩慢以及本身實現的困難性,可見的未來應該難以出現理想中的產品。事實上在化學領域,電腦分析合成方法最早在幾十年前就由全合成大師諾獎得主E.J.Corey提出,但是到現在也沒什麼大的進展,也許現在到了這一領域突破的時候了。


會,我師弟 @霍姚遠 就在做。——啊,他比我有出息


今天學妹問我簡單一點的試驗為什麼不能讓清潔阿姨來做

我說人家工資那麼高你請的起么


目前的話,計算機在合成方面應用更多的領域還是比較蠢的工作,比如——預測濃度、溫度等可取域較大、可行域較小的參數,給出個估計的可行域。(當然這個算不上多智能)

長期來說,根據化學鍵、典型基團特徵來尋找合成路徑肯定是發展趨勢之一。


機器合成肯定會取代簡單重複的人類體力勞動 這是被歷史所證明的 但是化學研究不是一個簡單重複的體力勞動 機器可以幫你加反應 過柱子 和一些分析手段連用 甚至幫你打核磁 根據你猜想的去解譜 這都有可能實現 但是在你發現此路不通或者拿到了其他結構 這是不是需要人來分析 設計下一步怎麼做 根據你的知識來提高產率或者避免副反應等等 現在reaxys確實可以逆合成分析給出簡單合成路線 但這些都只是紙上談兵 簡單來說 一個分子上一個保護基都可能問題很多 大的上不去 溶劑影響 添加劑影響 等等 保護基對後續反應的影響 這些在當前都是靠人的經驗 和不斷的嘗試 機器短時間只是解放你部分的體力勞動 如果有一天真的實現了所謂的人工智慧 那可能人確實要被淘汰了

再談一下機器的應用 自動過柱機 我也沒覺得比人強很多 裝柱子要干法 柱子如果不是一次性的 要自己裝好硅膠 保證不漏 紫外吸收只是參考 前後還是要自己點板 最好還要洗試管(我們組還沒到這個用一次就扔的土豪地步) 有的時候柱子漏 搞來搞去搞半天 自己都要爆炸了 過大量我自己用錐形瓶 甚至500ml的那種試劑瓶 自動過柱機最好就是不用配溶劑 但加還是人工 我說這個是想說機器發展也是過程 不會一步就到真的完全自動化 人最珍貴的是想法 是對過去事物的總結和對未知事物的探索 機器只是化學家實現自己想法的工具 僅此而已

至於用計算的手段來評價一個合成路線 我只想說不同的機理尚且可以通過參數變化來計算得出 對實驗的指導意義有但絕不是決定性的 至少我不信 我也只是做出來之後才想怎麼用計算驗證而已 在計算機輔助藥物設計方面確實有很多成功的例子 但也都是經過人再去改變一些官能團 改進出來的 說到底最後還是人 還是實驗


相當於化工設備微型化和智能化嘛,由於容器比表面增加了,溫控什麼的都更容易了。這事情技術上沒什麼障礙,實驗里人手能做的機器都能做。

將來就是土豪組每個學生有兩三台自動反應器和製備色譜,以百倍的工作效率吊打現在的手工業研究。


化學實驗的話操作可以完全由機器操作,但是必須有人時刻盯著,畢竟全合成來說設計的實驗路線僅僅是理論上覺得可行或者說是你覺得可行,在實驗過程當中還會有很多現象讓你來判斷,而且每次還不一樣 主要是除非你做過一模一樣的實驗 不然你不敢保證你這次實驗肯定會出現什麼現象,這樣你就沒辦法在機器里去設定一個相對應的程序。


大部分的實驗操作由機器取代,在技術上至少已經不成問題,問題在成本上。開反應過柱子監測乾燥核磁質譜這一套流程下來要實現全自動化的話……不說國內了全世界能負擔得起的課題組也不多,但是多招幾個學(min)生(gong)就能解決這一問題。所以題主所說的人工合成成為非主流暫時還是不太可能。


角鯊烯的逆合成分析早就通過計算機得到並通過人工合成驗證了,只是人工智慧現在仍沒有滲透進來罷了。缺天才:既要精通浩瀚複雜的反應及其設計,並且深曉合成的藝術和精髓,還需懂得精深的演算法編程,這樣的人才很少很少。本質上是兩種思維模式的衝突,合成更像是混沌的藝術,而演算法是嚴密的科學。但是建立在人類密切分工的基礎上,這種創業公司很快就會有了,或許現在已經有了,只是徘徊在兩個領域的邊緣,未被主流重視罷了……

題主的問題非常有啟發!


最近AlphaGo火的厲害,大家紛紛覺得要失業。按狗哥的套路看,幹掉我們這行得這麼搞。

首先計算化學大發展,計算機能直接模擬反應,這個模擬出來得精確知道生成什麼。

然後拿文獻機器學習一發,這個估計沒什麼太大卵用,也就是建個底子。

最後狗哥套路,自己和自己做實驗,自己設計個分子,自己設計合成路線,然後自己算反應。不能想圍棋那麼快,也得一天做個一萬個這種量級以上。

然後磚工就可以失業了,要啥分子,下個軟體畫一下結構式,明天等著收貨就行,比天貓超市還快


在美帝圍觀某些同學的實驗室發現:

很多重複性的工作,本土本科畢業的技術員做得更好、更專一;但是他們老闆更喜歡讓每5年更替一輪的海外(主要是中國)博士後來做。

因為前者無論工資還是其他成本(例如辭職的可能性福利保障的嚴格性等)都太高。

所以,原題更可能是個經濟學和政治學問題,而不全是生/化或者機械工程學的問題。


重複操作很簡單,解決問題很困難。

我個人認為這才是人工智慧的真正挑戰,

而目前能夠通過計算機模擬真正指導實驗的工作

不多。


你們這幫人啊,本來搞程序員就比搬磚工混得好,你們啊,還要三天兩頭過來搶我們要飯的飯碗。不知廉恥,哼。


感覺更像是個經濟學問題。。。邊際成本??依稀記得是叫這個來著,記得以前是拿這個來解釋古埃及為什麼採取奴隸制2333,所以說一個月花幾百塊請科研民工多賺啊,還能寫總結,幫填表,幫蓋章,幫搶號,取快遞,去跑腿各種一條龍,何樂而不為呢


學生這麼便宜,幹嘛要自動化


還是先把刷試管自動化比較靠譜


推薦閱讀:

如果吃一小勺汞會怎樣?
為什麼不能用水力發電再加上電解水來反應出氫氣來作為燃料?
你眼中的 2015 年化學學術界最大的新聞是什麼?
有哪些毒是可以拋開劑量談毒性的?
為什麼茶涼了就不好喝了?

TAG:人工智慧 | 實驗室 | 化學 | AlphaGo |