一、一瓶染料，为什么要"晒"好几天？

在活细胞里给线粒体、溶酶体甚至胆固醇"打上荧光标签"，是现代生物学的看家本领。宾大团队研发的一类叫二氮杂蒽（diazaxanthilidene）的光转化荧光染料，就像分子世界的"变色龙"：用 405 纳米的光一照，它会不可逆地变成另一种颜色的荧光分子，从而实现对细胞内目标的精准追踪。

图1：光转化荧光染料与自主优化平台概念图

但问题出在"造"这个环节。这类染料的生成依赖光化学反应，传统做法是把反应液泡在烧瓶里，对着光源持续照射——往往要好几天。更麻烦的是，每换一个染料类似物，光照时间、浓度、温度都得重新摸索，科研人员的大量时间就这样耗在了"试错"上。

二、让 AI 当"主厨"：一边尝味道，一边调配方

研究团队给出的答案，是一套闭环自主实验平台。你可以把它想象成一位会自己尝汤的主厨：泵自动送料，混合好的反应液流过盘绕在金属底座上的透明细管，接受 4 盏 100 瓦 LED 的照射；流出的产物随即经过紫外-可见光谱仪"验货"，算出转化率和产率；这些数据立刻喂给一个贝叶斯优化算法，它像经验丰富的主厨一样，兼顾"探索"没试过的条件和"深耕"已有苗头的好条件，然后定出下一组实验参数。

图2：自主连续流光化学平台——泵、恒温反应器、LED 光源与在线检测全部由电脑指挥

如此循环往复：洗涤、控温、设光、反应、检测、再优化——全程无需人工干预，科研人员只需要装上溶剂、划定参数范围。整个优化战役在一天之内就跑完了 44 次实验。

图3：自主实验工作流——每个实验走完"洗-控温-设光-反应-检测-优化"的闭环

为什么不用"暴力穷举"？假设把流速、浓度、温度、光照强度各分 10 档来试，组合数就是一万种，传统"逐个做实验"的方式根本试不过来。贝叶斯优化的聪明之处在于：每做完一次实验，它就把结果"记进脑子"，建立一个越来越靠谱的数学模型，再用模型预测"下一个最值得试的条件"。就像老中医号脉，几次问诊之后就能大致判断药方该怎么调，而不是把所有药材组合都试一遍。

更有意思的是，产率和产量往往"鱼与熊掌不可兼得"：想要纯度高就得慢工出细活，想要产量大就得牺牲一部分产率。平台采用的多目标优化并不强行给出唯一答案，而是画出一条"帕累托前沿"——把各种最优折中方案摆给你挑，要料还是要快，由科研人员按需选择。

三、成绩单：产率更高，产量暴涨两个数量级

结果相当亮眼。对于母体染料，光照产率从传统烧瓶法的约 69% 提升到 79%；而单位时间的产物通量，从 0.52 纳摩尔/分钟飙到最高 87 纳摩尔/分钟——提升约 167 倍。研究还发现，高产率偏爱低流速、低浓度（让光"照得透"）和 70 摄氏度左右的中高温，而追求产量则要开大流速、浓度和接近 95 摄氏度的高温。

图4：多目标贝叶斯优化结果——平台自动找到了产率与产量之间的最优平衡

更妙的是，这套流程对"新成员"同样好使。团队把同款工作流搬到 4 个结构相近的染料类似物上：有的类似物几乎怎么照都转化，算法干脆把产量推到批式条件的 294 倍；有的类似物经优化后产率从 50% 提到 72%，通量提升 117 倍；表现最好的一位，通量较传统方法提升了约 359 倍。当然，科学也讲诚实——有一个类似物无论怎么优化都几乎不反应，后来发现是分子本身的位阻问题，属于"先天不足"，算法再聪明也无能为力。

图5：四个染料类似物的自主优化战役——多数类似物通量提升两个数量级以上

四、这不只是化学家的胜利

这项工作的意义远不止造染料。它展示了一种范式："自动驾驶实验室"——算法提方案、机器人做实验、仪器出数据、模型再学习。同样的思路可以推广到药物合成、新材料筛选等任何"参数多、试错贵"的反应优化场景。以前一个博士生可能要花几周摸条件的工作，现在一天内自动完成，科学家得以把时间花在真正需要创造力的问题上。

有人担心：AI 会不会取代化学家？至少从这项研究看，答案是否定的——是化学家定义了目标、搭建了平台、解读了结果，AI 负责的只是在庞大的参数空间里不知疲倦地搜索。工具越聪明，使用者越需要知道往哪里走。