闭环自动化让上一轮实验的结果自动决定下一轮做什么。Stuntman 上的闭环由三样东西组成:一份写实验内容的配置文件,一组 Python 脚本,一个挑条件的优化器。
内容依据原厂技术说明 Dive deep into Stuntman’s closed-loop automation(Rev A)。蔗糖水解案例的运行结果见无人值守的闭环优化,这里讲闭环的结构,以及换成自己的实验时要改哪些部分。
常规自动化能把固定流程跑完,但设计、分析和决策还是分开的。每轮结束,科学家要先整理数据,判断结果,再选下一批条件,然后启动新的运行。闭环把这几步连起来,四个阶段按顺序重复:
图 1 闭环的四个阶段:设计、执行、测量、学习。图取自原厂技术说明。
配置文件用 XLSX 或 JSON,闭环脚本里不写具体实验。配置文件里有这几项:
要复查或调整实验,改配置文件即可,不用改闭环的步骤顺序。
运行时,generate_design.py 把选中的条件打包成一个 .stunt 文件。Stuntman 的执行数据和分析仪器的结果也写进这个文件。计划做什么、实际跑了什么、测到什么,都在同一个结构化文件里。
图 2 闭环的脚本结构:closed_loop.py 居中调度,其余脚本各负责一步。图取自原厂技术说明。
closed_loop.py 是主脚本。它先读配置文件,把搜索空间和目标交给 optimizer.py,然后每轮按下面的顺序走,直到满足停止条件:
优化、生成设计、执行、分析和评估分在不同的脚本里。决策逻辑因此不依赖具体的实验操作,每个脚本可以单独审核或修改,不用重写整个闭环。
科学家用自然语言描述实验目标和流程,Stuntman AI 据此生成并修改脚本。这些脚本先读配置、生成设计、执行实验,再做分析、评估和优化。脚本在实验开始前先经过审核和验证。运行中由验证过的脚本调度流程,由优化器选条件。
演示流程用的是高斯过程贝叶斯优化器,基于 scikit-optimize 实现。它用已测条件和它们的目标得分建一个代理模型。对没测过的条件,模型同时给出预期表现和不确定度。
挑候选条件时,优化器在两件事之间取平衡:在已经表现好的区域细化,和去不确定度高的区域探索,那里可能有更好的条件。每轮的新测量值先更新代理模型,再提出下一批候选。
蔗糖水解流程的设置如下。每轮 12 个候选,最多 12 轮。12 个候选里,1 个是固定对照,1 个是目前得分最高的非对照条件,另外 10 个是新提出的条件。探索比例按轮数分三段:
轮次:探索比例
第 1–4 轮:90%
第 5–8 轮:50%
第 9–12 轮:10%
前几轮大范围覆盖条件空间,后几轮集中细化。每个候选按反应速率和线性打归一化综合得分,合格线是速率 ≥ 10 μM/s、线性 ≥ 0.99、综合得分 ≥ 1。
图 3 optimizer.py 节选。首行注释是探索比例。下面定义每轮 12 个候选,其中 10 个由优化器提出;还有对照条件,以及转化酶、pH、NaCl 的取值范围。图取自原厂技术说明。
闭环不限于贝叶斯优化。流程需要实验设计(DoE)、基于规则的逻辑或自定义模型时,可以换成别的决策方法。
优化器选出一批候选后,update.py 把条件交给 generate_design.py。generate_design.py 生成可执行的 .stunt 设计。Stuntman API 启动这份设计,Stuntman 执行。
以蔗糖水解流程为例,每轮 12 个反应。每个反应在 0、10、20、30 min 各取一个样,得到吸光度时间曲线,用来算反应速率和线性。台面上放三块板:
Stuntman 加试剂、混合,按时间点取样,转到淬灭板终止反应,再把淬灭后的样品移到 Stunner 板上。Stunner 测 UV/Vis 吸光度,analysis.py 把每条吸光度时间曲线换算成反应速率和线性,交回优化器。
停止条件写在配置里,evaluate.py 每轮结束后检查一次。演示运行用的是最大轮数,也可以设成性能阈值。用户也可以在达到停止条件前手动终止实验。
无论继续还是结束,输入、选中的条件、执行数据、测量值和结果都留在 .stunt 文件里,可以复查。
这套闭环结构可以搬到新的实验流程上。技术说明把各部分分成两类:
类别:包括
可以不变:主循环的写法、状态管理、验证过的各步交接,以及结果必须交回优化器这一要求
随流程改:物料和变量范围、台面配置、执行方式、集成的分析仪器、检测读数、目标函数、优化器、停止逻辑
技术说明列出的应用方向有三类:
技术说明对生物药只提到多参数可开发性研究。照上表的划分,主循环不变,要换的是物料和变量、台面模块、检测仪器、读数和评分方式。检测仪器见 Stunner 和 Aunty,台面模块见 Stuntman 模块与规格,软件见 Stuntman 软件。