文章导读
你是否想过，化学实验室里最依赖“手感”和经验的色谱分离，有一天也能被精准预测和智能优化？北京大学莫凡洋课题组在国际顶刊《化学研究评述》上，系统阐述了如何用实验自动化与AI颠覆这一传统领域。他们开发的平台与模型，已将长期依赖试错的“TLC指导CC”等经验规则，转化为可计算的数学关系。这篇文章不仅揭示了色谱研究从经验驱动迈向数据驱动的清晰路径，更为药物研发、材料制备等实际问题的解决提供了全新的智能化思路。
— 内容由好学术AI分析文章内容生成，仅供参考。
色谱技术是化学研究与工业生产中最基础、最关键的分析与纯化方法之一，广泛应用于有机合成、材料制备、药物研发和精细化工等领域，其分离效率和可靠性直接影响化学研究与工程实践的整体质量。然而，色谱行为由分子结构、实验条件与分离介质等多因素共同决定，机理复杂、耦合性强，长期以来色谱方法的建立与优化主要依赖研究者经验和反复试错，难以形成系统化、可迁移的预测模型，制约了分离效率提升与实验结果的可重复性。在此背景下，将实验自动化与人工智能方法引入色谱研究，通过数据驱动与机理约束相结合的方式，对色谱分离过程进行建模与预测，可为实现色谱分离过程的可预测化与智能化提供新的研究路径。
论文截图
北京大学材料学院、科学智能学院莫凡洋课题组5年前开始布局进入人工智能研究赋能合成化学新研究领域，自2022年以来，围绕色谱分离的关键科学问题，开发了自动化色谱实验平台，构建了色谱分离预测模型，并利用机器学习方法对不同色谱技术条件下的分离行为进行建模，实现了色谱条件的快速优化。针对薄层色谱（Chem 2022, 8, 3202.）、柱色谱（Chem 2025, 11, 102598.）、气相色谱（Digit. Discov. 2025, 4, 2465.）和高效液相色谱（Nat. Commun. 2023, 14, 3095.）等合成实验室中典型的色谱技术，系统构建了涵盖分子结构、实验条件与色谱行为的多源色谱数据体系。其中，课题组通过统计分析与机器学习方法，建立了薄层色谱Rf值与柱色谱洗脱体积之间的显式定量关系，将长期依赖经验的“TLC指导CC”实验规则转化为可计算的数学模型，为色谱条件选择提供了定量依据（Nat. Commun. 2025, 16, 832.）。
实验自动化和人工智能辅助色谱分离
课题组对上述研究工作进行了系统总结，在国际化学领域权威期刊《化学研究评述》（Accounts of Chemical Research）上发表题为“Automation and AI-Powered Prediction in Chromatographic Separation”的综述文章（Acc. Chem. Res., 2025, DOI: 10.1021/acs.accounts.5c00677, IF: 17.7），系统阐述了实验自动化与人工智能推动色谱分离由经验驱动向数据驱动转变的研究历程与发展趋势，为基于合成化学思维和分离手段的技术创新与解决工业生产、药物研发及材料制备领域的实际问题紧密结合提供了有益参考。
北京大学博士生刘丞军为第一作者，莫凡洋为通讯作者，北京大学科学智能学院为论文第一通讯单位。该工作得到了深圳市高层次人才科研启动经费、北京大学深圳研究生院AI4S交叉研究专项、广东省纳米微米材料研究重点实验室以及北京大学高性能计算平台的资助与支持。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
TLC指导CC居然能建模？以前全凭手感，现在有科学依据了🤔
自动化+AI搞色谱，终于不用靠玄学跑柱子了😂
这研究太牛了，AI+化学真香！👍