无人值守的闭环优化:Stuntman 加 Stunner 跑 12 轮

无人值守的闭环优化 Stuntman 和 Stunner 跑 12 轮,每轮的条件由算法挑

这个案例用转化酶水解蔗糖做模型反应,每轮 12 个条件,最多 12 轮。轮与轮之间没有人工干预。到第 4 轮、大约第 45 个样品时,得分升到高位并稳定下来,一直到最后一轮。

内容依据原厂应用笔记 Fast-tracking closed-loop reaction with Stuntman(Rev C)。模型反应是酶反应;用于生物药可开发性筛选时,流程不变,换成你的变量、检测项目和评分标准。

常规自动化只管执行,下一轮的条件还要人来选

一轮优化要经过设计、执行、测量、分析,再决定下一轮做什么。常规自动化能把固定流程跑完,但设计、执行和分析分散在不同系统里,每轮结束,科学家要先整理数据,挑出下一批条件,再手动搭实验。闭环把这一步交给程序:上一轮的结果直接决定下一轮。

实验条件写在配置文件里

项目:设置

变量:酶(储液 333 µM)、NaCl(储液 2500 mM)、pH 6.0 与 pH 9.0 两种磷酸盐缓冲液的用量

固定:蔗糖 25 mg/mL,水作稀释剂

每轮:12 个反应,每个 500 µL,在 0、10、20、30 min 取样并淬灭

检测:台面集成的 Stunner 测 UV/Vis,按底物消光系数换算反应进度

评分:综合得分 = 0.6 × 速率 ÷ 10 µM/s + 0.4 × 线性 ÷ 0.99,≥ 1 算达标

停止条件:跑满 12 轮

配置文件用 XLSX 或 JSON,和流程脚本分开。调整物料、评分标准或轮数时只改配置,不动闭环脚本。台面上放三类板:反应板、淬灭板和 Stunner 检测板。

图 1 运行中的台面:反应板、淬灭板和 Stunner 检测板。图取自原厂应用笔记。

每一轮都按同样几个 Python 脚本依次执行

图 2 闭环脚本的结构:closed_loop.py 居中调度,每一步读写配置文件或 .stunt 文件。图取自原厂应用笔记。

  • closed_loop.py 读配置文件,把实验定义交给优化器。
  • optimizer.py 用 scikit-optimize 的高斯过程贝叶斯优化器提出下一轮的条件。每轮 12 个:1 个固定对照、1 个到目前为止得分最高的条件,再加 10 个新条件。
  • update.py 和 generate_design.py 把条件写成设计,转成 .stunt 文件,通过 API 远程启动。
  • Stuntman 自动加样、混合、按时间点取样淬灭,把样品转到 Stunner 板上测。执行数据和吸光度结果存进同一个 .stunt 文件。
  • analysis.py 把各时间点的吸光度换算成反应速率和线性。
  • evaluate.py 对照停止条件打分。没达到就回到第 2 步。

探索比例分三段:第 1–4 轮 90%,第 5–8 轮 50%,第 9–12 轮 10%。前几轮在大范围里试,后几轮集中在得分高的区域。

这些脚本由 Stuntman AI 根据文字描述生成和修改,经人工审核、验证后才开始运行。运行时由验证过的脚本控制流程,由算法选条件。

第 4 轮起,得分稳定在高位

图 3 每个样品的综合得分。约第 45 个样品(第 4 轮)之后,得分稳定在高位,一直到第 12 轮。图取自原厂应用笔记。

前几轮得分分散、多数偏低,这时算法在大范围试条件。大约到第 45 个样品(第 4 轮),得分升到高位,波动变小,一直保持到运行结束。连续多轮都在高位,说明算法找到的是一片好条件,不是偶然碰上的一个高分点。

整个运行中,轮与轮之间没有人工干预。输入、选中的条件、执行数据和结果都留在 .stunt 文件里,事后可以逐轮复查。

换成生物药制剂筛选

流程不变,换成制剂的变量、检测项目和评分标准。原厂应用笔记提到,在生物药方向可以同时看浓度、粒径和稳定性结果,找出最合适的分子和制剂组合;ADC 筛选还可以加上 DAR。检测仪器见 Stunner 和 Aunty,软件见 Stuntman 软件。

同一个案例的会议海报

原厂把这个案例做成了一张会议海报,内容和上文一致:闭环四步、三张配置表、脚本结构和得分结果。海报右下角多了一个例子:让 Stuntman AI 把示例里的 optimizer.py 改成调用开源优化器 EDBO+。点图可以放大。

Fast-Track Closed-Loop Experimentation with AI-Driven Automation on Stuntman(2026-08)。图取自原厂海报,裁去了作者栏和页脚。