AI药物发现并不只依赖模型算法。对于虚拟筛选模型而言，大规模、稳定、可重复的实验数据是模型训练和结果验证的重要基础。Genentech、NVIDIA和Mila发表在 Nature Biotechnology 的研究中，研究团队首先完成了近200万化合物的真实表型高通量筛选，再基于实验数据训练GNEprop图神经网络模型，并将虚拟筛选范围扩展至约14亿个可合成化合物。

在该研究中，Echo声波移液系统被用于1536孔板超高通量化合物实验，并在后续虚拟筛选命中化合物验证中继续支持筛选实验数据输出。对于AI辅助药物筛选而言，Echo可用于高通量、微量化、非接触式液体处理场景，支持实验数据生成和候选分子验证中的液体转移需求。

在更复杂的自动化筛选流程中，ACCESS自动化整合系统可用于连接液体处理、培养、检测等实验环节，支持多设备协同和实验流程整合。Echo声波移液系统与ACCESS自动化整合系统可分别从微量液体处理和自动化流程连接两个层面，为AI药物筛选中的“数据，模型，实验”循环提供实验执行支持。

Echo与ACCESS在AI药物筛选中的应用定位

AI药物发现的核心挑战不只是如何建立预测模型，还包括如何获得足够大、足够多样化、足够稳定的实验数据。大规模HTS数据可用于训练模型识别化合物结构与生物活性之间的关系，而模型预测出的候选分子仍需要通过实验验证确认活性。

在Genentech、NVIDIA和Mila的研究中，Echo声波移液系统参与了两个关键实验环节：一是在初始HTS阶段用于1536孔板超高通量化合物实验，二是在后续虚拟筛选命中化合物验证中继续支持筛选实验数据输出。

对于类似AI辅助药物筛选流程，贝克曼库尔特 Echo声波移液系统适用于高通量、微量化、非接触式液体处理，可用于化合物转移、筛选板制备和命中化合物验证等实验场景。ACCESS自动化整合系统则适用于需要连接液体处理、培养、检测等多个实验环节的自动化工作流，支持更复杂筛选流程的整合运行。

AI药物发现，难点不只在模型

从图神经网络到大模型，从分子生成到虚拟筛选，AI技术正在不断进入药物发现流程。但对于一线研发团队来说，单纯提升模型能力并不能解决全部问题。一个现实限制是：实验能够实际覆盖的化学空间非常有限。即使是大型HTS项目，通常也只能筛选百万级化合物，而药物样化学空间远远超过这一数量级。

在抗生素发现研究中，部分AI模型使用的训练集规模较小，训练样本也可能集中在已知抗生素、天然产物或已上市药物附近。这类数据基础可能限制模型对更广化学空间的泛化能力。如果训练数据本身不够丰富，模型能够学习到的结构与活性关系也会受到限制。

Genentech、NVIDIA和Mila的研究提供了一种更完整的思路：先通过大规模真实实验筛选建立训练数据，再使用深度学习模型将搜索范围扩展至实验未直接覆盖的大规模可合成化学空间，随后将模型预测结果带回实验室验证。

先完成一个小目标：近200万化合物的表型筛选项目

研究团队首先对1,981,993个小分子进行了表型高通量筛选，筛选对象为 E. coli ΔtolC菌株。实验共获得5,161个活性化合物，对应初始HTS命中率为0.26%。

从命中率来看，0.26%并不高，但这批数据的价值不只在于获得了多少活性化合物。对于后续模型训练而言，近200万化合物的真实筛选结果同时包含大量活性和非活性样本，可为模型提供更广泛的结构与活性关系信息。

这套筛选库覆盖了多样化的化学空间区域，并包含activity cliffs等信息，有助于训练模型识别细微结构变化与抗菌活性之间的关系。对于AI虚拟筛选来说，大规模真实HTS数据是模型拓展更大化学空间的重要基础。

图1.大规模HTS数据驱动的深度学习虚拟筛选流程。研究首先通过近200万化合物的表型筛选生成实验数据，再训练GNEprop模型，并将模型应用于14亿可合成化合物的虚拟筛选，最终将筛选出的候选分子带回实验室验证。

GNEprop：从化学结构预测抗菌活性

基于近200万化合物的HTS数据，研究团队训练了深度学习模型GNEprop。GNEprop以分子图结构为输入，是用于预测小分子抗菌活性的图神经网络模型。

研究团队关注的不只是模型在已有数据上的表现，也关注模型能否推广到训练集中未充分覆盖的新化学空间，即out-of-distribution，OOD，泛化能力。为此，研究采用scaffold-cluster split评估方式，用于模拟真实虚拟筛选中模型面对陌生化学结构的情况。

研究还引入自监督预训练流程：先利用1.22亿个未标注分子学习通用分子表示，再使用HTS实验数据进行微调。这样的设计使模型不仅依赖已标注活性数据，也能从大规模未标注分子中学习分子结构表示。

从200万到14亿：模型将十亿级空间缩小到可验证候选

模型训练完成后，研究团队将GNEprop用于Enamine REAL数据库的虚拟筛选。该数据库包含约14亿个可合成化合物。研究团队在64块A100 GPU上，对整个空间进行8个模型重复预测，并在48小时内完成。

经过模型预测，研究团队得到44,437个具有抗菌活性预测结果的候选分子。随后，这些候选分子经过聚类、多样性选择、过滤和实验预算限制，最终有345个分子被成功合成并带回实验室验证。

实验验证结果显示，345个分子中有82个达到≥80%生长抑制标准，被定义为确认活性化合物，对应命中率为23.8%。相比初始HTS筛选的0.26%命中率，模型排序后的候选集合在实验验证中表现出更高命中率。

对于抗菌药发现而言，发现结构差异化的活性分子同样重要。在确认活性的虚拟筛选分子中，98.8%与已知抗生素的最大Tanimoto相似度≤0.4，其中39%的相似度≤0.2。部分确认活性分子与HTS训练集活性分子也具有较低相似度。这些结果表明，GNEprop不仅筛选出与已知抗生素相似的分子，也在更广的可合成化学空间中发现了结构差异较大的抗菌活性分子。

图2： 化学空间分布可视化UMAP。图中不同颜色代表不同来源的化合物，GNEprop发现的活性化合物分布在与已知抗生素和HTS活性化合物不同的区域，体现了模型在更广可合成化学空间中的筛选能力。

不是AI替代实验，而是数据，模型，实验循环

这项研究的核心并不是“使用AI模型后直接获得活性分子”，而是展示了一条更完整的药物发现路径：先通过大规模实验筛选生成训练数据，再用模型扩展至更大规模、实验难以直接覆盖的可合成化学空间，随后将模型预测结果带回实验室验证。

在这一流程中，AI模型承担的是候选分子排序和化学空间扩展的任务，实验则用于生成训练数据、验证模型预测结果，并继续丰富对化学空间的理解。研究还提到，模型性能在当前数据规模下尚未完全达到平台期，更多实验数据可能进一步改善模型表现。

这类“数据，模型，实验”循环对AI药物发现具有参考意义。模型并不是脱离实验独立工作，而是需要依托稳定的数据生成能力、可扩展的筛选流程和后续实验验证，才能在真实研发场景中形成可迭代的发现体系。

自动化实验平台在数据生成与验证中的作用

“数据，模型，实验”循环能否持续运行，与实验数据生成和验证流程的稳定性密切相关。在该研究的初始HTS阶段，研究团队采用Echo声波移液系统进行1536孔板超高通量化合物实验；在后续虚拟筛选命中化合物验证中，也继续使用Echo支持筛选实验数据输出。

对于AI药物发现，模型筛选与实验验证需要形成衔接。Echo声波移液系统可用于高通量、微量化、非接触式液体处理场景，支持化合物筛选和命中化合物验证中的液体转移需求。1536孔板等高密度筛选格式对液体处理体积、通量和一致性提出较高要求，Echo可为这类超高通量实验提供液体转移支持。

在更复杂的自动化筛选流程中，ACCESS自动化整合系统可用于连接液体处理、培养、检测等实验环节，支持实验流程整合和自动化运行。对于需要从化合物分配、细胞或微生物处理、孵育到检测读数衔接的筛选项目，ACCESS可作为自动化流程整合工具，帮助实验团队搭建更连续的筛选工作流。

因此，Echo与ACCESS在AI药物筛选中的价值，主要体现在实验执行层面：Echo支持高通量微量液体转移和筛选数据生成，ACCESS支持多步骤实验流程整合。二者与AI模型形成的关系不是替代模型或决定活性结果，而是为模型训练和命中验证提供实验数据生成与流程运行支持。

总结

Genentech、NVIDIA和Mila在 Nature Biotechnology 发表的研究展示了AI辅助抗菌药发现的一种实践路径：首先完成近200万化合物的真实表型筛选，基于实验数据训练GNEprop图神经网络模型，再将模型应用于14亿可合成化合物的虚拟筛选，并将筛选出的候选分子带回实验室验证。

该研究中，模型从14亿化合物中预测出44,437个候选分子，经过筛选和合成后，345个分子进入实验验证，其中82个达到确认活性标准，验证命中率为23.8%。同时，确认活性分子与已知抗生素及HTS训练集活性分子的相似度较低，显示出模型在更广化学空间中发现结构差异化活性分子的潜力。

这项研究也说明，AI药物发现并不是单纯依赖模型，而是依赖大规模真实数据、模型预测和实验验证之间的循环。贝克曼库尔特 Echo声波移液系统可用于高通量化合物筛选和命中化合物验证中的微量液体处理，ACCESS自动化整合系统可用于复杂筛选流程中的设备连接和自动化整合，为AI辅助药物筛选中的数据生成与验证流程提供实验执行支持。

FAQ

1. AI药物发现为什么仍然需要真实实验数据？

AI模型需要真实实验数据进行训练和验证。大规模HTS数据可提供活性与非活性化合物的结构，活性信息，帮助模型学习分子结构与生物活性之间的关系。模型预测出的候选分子也需要通过实验验证确认活性。

2. Echo声波移液系统在这项研究中发挥了什么作用？

在Genentech、NVIDIA和Mila的研究中，Echo声波移液系统用于1536孔板超高通量化合物实验，并在后续虚拟筛选命中化合物验证中继续支持筛选实验数据输出。

3. Echo适合AI药物筛选中的哪些实验环节？

Echo声波移液系统适合高通量、微量化、非接触式液体处理，可用于化合物转移、筛选板制备、候选分子验证和高密度孔板实验等场景。

4. ACCESS自动化整合系统与AI药物筛选有什么关系？

ACCESS自动化整合系统可用于连接液体处理、培养、检测等实验环节，支持复杂筛选流程的自动化整合。在AI辅助药物筛选工作流中，ACCESS适用于需要多设备协同和流程自动化运行的实验场景。

5. Echo与ACCESS如何形成互补？

Echo更适合高通量、微量化、非接触式液体转移任务；ACCESS更适合多设备、多步骤实验流程整合。二者可分别支持AI药物筛选中的液体处理和自动化流程连接需求。

6. GNEprop是什么？

GNEprop是研究团队基于HTS实验数据训练的图神经网络模型，以分子图结构为输入，用于预测小分子的抗菌活性。研究还通过scaffold-cluster split和自监督预训练来评估和提升模型面对新化学空间时的泛化能力。

7. 14亿虚拟筛选指的是什么？

研究团队将GNEprop应用于Enamine REAL数据库，该数据库包含约14亿个可合成化合物。模型在该化学空间中进行虚拟筛选，并预测出44,437个具有抗菌活性的候选分子。

8. AI筛选后的实验验证结果如何？

经过聚类、多样性选择、过滤和实验预算限制后，345个分子被成功合成并进入实验验证，其中82个达到≥80%生长抑制标准，被定义为确认活性化合物，对应命中率为23.8%。

Meta Title：Echo声波移液系统支持AI药物发现｜从HTS数据生成到虚拟筛选验证

Meta Description：了解Genentech、NVIDIA和Mila如何基于近200万化合物HTS数据训练GNEprop模型，并将AI虚拟筛选扩展至14亿可合成化合物。文章解析Echo声波移液系统在1536孔板高通量筛选和命中化合物验证中的应用，以及ACCESS自动化整合系统在AI药物筛选流程中的自动化支持。

Meta Keywords：Echo声波移液系统, ACCESS自动化整合系统, 贝克曼库尔特, Beckman Coulter, AI药物发现, 高通量筛选, HTS, 虚拟筛选, GNEprop, Genentech, NVIDIA, Mila, 抗菌药发现, 1536孔板筛选, 药物筛选自动化, 命中化合物验证

URL 建议：/life-sciences/echo-access-ai-drug-discovery-hts-virtual-screening