刚刚，上海交大AI原生实验室AutoDNA登上Nature：自主协调20余类仪器，完成11000多步生物实验|上海交通大学|系统|模型|试剂|代码

　　（来源：网易科技）

　　构建 AI 原生实验室，以最少的人工干预实现自主科学探索，是一个长期以来的目标。尽管近年来自主实验系统不断涌现，但它们仍主要局限于目标单一、流程明确、仪器简单的领域。这在一定程度上与现有系统的「外挂式」架构有关：AI 通常被用于执行实验中的特定任务，难以对整个实验过程形成全局理解。在涉及多种仪器、复杂流程和多目标优化的工程场景中，这一问题尤为突出。

　　如今，由上海交通大学团队及其合作者提出的AI 原生实验室AutoDNA，有望突破这一局限。相关研究论文也于今天登上权威科学期刊 Nature。

　　论文链接：https://www.nature.com/articles/s41586-026-11228-6

　　据论文介绍，AutoDNA 是一套面向生物分子工程的 AI 原生自主实验平台，支持核酸合成、转录、扩增和测序等核心操作，可自主协调 20 余类仪器，执行超过 11000 步硬件操作。在论文中提及的代表性应用中，AutoDNA 达到了人工专家优化后的酶促 DNA 合成产率，将并发实验流程的执行时间缩短至原来的约三分之一，完成了一次端到端的 DNA 数据存储循环并精确恢复原始数字内容，还识别并验证了一个临床样本中的 KRAS G13D 突变。

　　研究团队认为，AutoDNA 为「科学即服务」（science-as-a-service）提供了一种新的实现蓝图，有望加速生物学发现，并推动合成生物学与信息存储等领域的应用。

　　在同期发表的一篇 News & Views 评论中，斯坦福大学生物医学数据科学副教授 James Zou 指出，AI 可能在几分钟内设计出有潜力的生物活性分子，但实验验证仍需要数周甚至数月，并需要投入大量人力。

　　新闻与观点文章链接：https://www.nature.com/articles/d41586-026-03270-1

　　“这项工作展示了 AI 系统如何开始缩小提出实验与实际执行实验之间的差距。”

　　从外挂式 AI 到 AI 原生实验室

　　要理解 AutoDNA 的设计思路，需要先看当前自主实验平台面临的局限。

　　近年来，将大语言模型（LLM）与自动化硬件结合，已经使数据分析、实验决策等核心环节能够交由模型处理。不过，已有平台通常采用以人为中心的附加式架构，将 AI 限定在彼此分离的特定任务中。仪器配置、实验流程定义和优化规则设置，仍需要人工参与。

　　图｜传统附加式架构将 AI 模型作为工具，整个实验过程仍由人类科学家主导

　　这与研究人员设想的 AI 科学家仍有差距。在他们描述的理想系统中，用户只需通过自然语言提出实验请求，基于模型的 agent 就能自主完成实验设计、代码生成、仪器控制和迭代优化，为非专业用户提供端到端的实验服务。

　　图｜AI 科学家的构想。基于模型的 agent 自主处理复杂实验，并取得人类专家水平的结果

　　要实现这一目标，生物实验本身的复杂性是一道重要门槛。

　　生物实验往往涉及多个相互制约的目标，优化方向构成庞大而复杂的搜索空间。以温度、酸碱度和浓度为例，这些变量之间可能相互影响，难以通过人工预设流程全面覆盖。与此同时，生物实验室通常配备多种不同类型的仪器，跨设备协作和信息整合存在较高难度。实验本身又对实时执行、环境稳定性和操作精度提出了严格要求。

　　这些特点意味着，自主实验系统需要同时具备对实验过程的整体理解能力、多目标优化能力，以及协调不同硬件设备的能力。

　　AutoDNA 的核心思路，是通过模型、实验和仪器的协同设计，将这些能力整合到同一个端到端框架中。

　　具体而言，AutoDNA 采用多 agent 架构，让不同 agent 分别负责文献检索、试剂管理、实验流程设计、代码生成、硬件控制和实验假设提出，并由中央 Planner agent 统一协调。用户给出自然语言指令后，Planner agent 会根据任务需求自主选择和调度不同 agent，逐步完成从文献检索、试剂选择、实验设计到代码生成、硬件执行和结果分析的完整流程。

　　图｜所提出的 AI 原生自主平台 AutoDNA 采用多 agent 架构

　　通过这一架构，系统能够在核酸检测、酶促从头 DNA 合成、DNA 数据存储和癌症检测等复杂场景中，对实验过程形成整体理解，并建立由模型主导的「设计、实验、优化」闭环。借助 LLM 的推理能力，AutoDNA 可以根据实验反馈不断调整方案，在开放的优化维度中探索多目标优化策略。

　　让 AI 理解并控制不同仪器

　　完成实验设计之后，AI 还需要将实验方案转化为真实世界中的硬件操作。这也是自主实验室面临的另一项关键挑战。

　　不同仪器拥有各自的控制方式和操作接口。如果要求 agent 直接处理每种设备的底层控制细节，系统的开发和扩展都会变得复杂。

　　为此，AutoDNA 引入了面向 AI 优化的硬件抽象层。系统能够解析仪器说明书和用户手册，将不同设备的功能抽象成一组原子服务（atomic services），并以自然语言描述，供 agent 理解和调用。

　　例如，移液器的功能可以被抽象为试剂转移（transfer）和混合（mix）两项基本服务。基于这一抽象层，代码 agent 能够自主生成仪器控制代码，并进行错误检测和修正；硬件 agent 则负责管理硬件资源，实现不同类型仪器之间的协同运行。

　　通过这种方式，AutoDNA 能够协调 20 余类仪器，完成超过 11000 步硬件操作，并达到微米级的位置精度和微升级的液体操作精度。

　　对于不同仪器之间的接口兼容问题，James Zou 在同期评论中也提出了一个值得关注的观点：不同制造商的仪器可能采用不同的编程接口，使自动化方案难以从一个实验室迁移到另一个实验室。他认为，AI agent 与仪器之间需要建立行业标准接口，否则每个自主实验室都可能沦为一个定制工程项目。

　　除了硬件接口，如何保证生成的操作代码可靠执行，也是自主实验室需要解决的问题。

　　Zou 特别提到了实验室数字孪生的价值。他认为，可以让 agent 在真实执行之前，先通过模拟环境测试和改进实验计划。以 AutoDNA 为例，系统会先在模拟环境中运行生成的仪器代码，跟踪液体体积，核查实验器具的位置和仪器设置。评论指出，在一次实验中，模拟环境成功发现了样本容器尚未放入仪器、代码就试图读取荧光值的问题。通过这种方式，agent 能够在成本高昂的真实实验开始前发现潜在错误。

　　在解决单次实验的执行问题之后，AutoDNA 还进一步考虑了多实验并行运行时的资源管理。

　　面对多个用户、多个实验方案同时提交的情况，系统能够根据仪器资源的实时可用状态进行动态调度，协调不同任务的执行顺序。当某台仪器已被占用时，系统还可以寻找具备相同功能的替代设备，并相应调整控制代码，从而减少等待时间，提高仪器利用率。

　　由此，模型决策、实验设计、硬件控制和资源调度被纳入同一个端到端框架。

　　代表性应用

　　研究团队通过以下代表性应用，验证了 AutoDNA 在不同生物实验场景中的能力。

　　在核酸检测中，AutoDNA 使用商业荧光等温检测试剂盒检测非洲猪瘟病毒。

　　实验首先使用 42 微升缓冲液复溶冻干粉，制备预混液，再加入 5 微升样本和 3 微升激活液启动反应。系统在反应启动后立即记录初始荧光值，随后进行 5 轮检测，每轮先在 39 ℃ 下孵育 5 分钟，再测量荧光。人工对照采用相同的操作流程。

　　在酶促从头 DNA 合成中，AutoDNA 展示了自主多目标优化能力。