AREX Feed Article
上海交大自主实验室 AutoDNA 登上 Nature：AI 自主调度 20 余类仪器完成逾 1.1 万次硬件操作
2026 年 11 月 4 日，《Nature》在线发表同行评审论文「An AI-native experimental laboratory for autonomous biomolecular operations」（）。论文由 Mingyu Wu、Zhaoguo Wang 与上海交通大学同事完成，Chunhai Fan 与 Haibo Chen 在资深作者之列。论文提出的 AutoDNA 是一个「AI 原生」（AI-native）自主生物分子工程实验室：中央 Planner 智能体协调文献检索、试剂管理、实验方案设计、代码生成与硬件控制等专职 agent，自主调度 20 余类仪器，执行逾 11,000 次硬件操作步骤；人的介入被限制在试剂和耗材补充之类的硬件维护任务上。
按论文报告的四项代表性应用，AutoDNA 把酶法从头 DNA 合成优化到与人类专家水平相当的产率；并发执行多用户实验方案（protocol）的速度明显快于顺序执行；跑通一个端到端 DNA 数据存储循环，并精确恢复原始数字内容；还在一份经预处理的结直肠癌组织样本中，自主走完从测序到验证的全流程，检出 KRAS G13D 突变。《Nature》同期配发 ，标题为「AI agents enter the 'wet lab'」。
Planner 派工：自然语言请求翻译成仪器操作
论文摘要把现有系统的局限讲得很直接：自主实验系统大多停留在目标单一、流程明确、仪器简单的领域，因为它们普遍采用「add-on」架构——AI 只是插在既有流程上的任务型工具，缺少对实验全局的理解。AutoDNA 的做法是让模型、实验、仪器协同设计，把 AI 放在系统中心。
用户以自然语言提出实验请求后，Planner 智能体按任务需要自主选择并调度专职 agent，逐步完成文献检索、试剂选择、方案设计、代码生成、硬件执行与结果分析。论文图 1 显示 Planner 周边有六类专职 agent：文献、实验方案、试剂、代码、假设与硬件。开源代码与之一致：AutoDNA-python 组件里设有 Literature、Protocol、Reagent、Code、Hardware、Hypothesis 六个 agent（）。
要让 AI 指挥不同厂商的仪器，团队为 AI 建了一套硬件抽象层：系统解析仪器规格书与用户手册，把设备功能抽象成以自然语言描述的原子化服务。移液器的功能被拆成「试剂转移」和「混匀」两个基本服务，code agent 据此自行生成仪器控制代码并做差错检测，hardware agent 负责管理硬件资源，让不同类型的仪器协同运转。
生成的代码不直接上机。系统先在数字孪生仿真环境里运行仪器控制代码，跟踪液体量、器皿位置和仪器设置。据学术头条对同期评论的报道（36Kr 转载，），有一次仿真环境拦下了试图在样品容器放入仪器之前就读取荧光值的代码。
硬件平台本身也做了适配。论文扩展数据图 1 显示，机械臂 AUBO-i10 负责在各工作站之间转运试剂；扩展数据图 2 记录了对 Nanopore Mk1C 测序仪的自动化改造：机械臂由双相机机器视觉系统引导，测序 flow cell（流通池）换上专为机械抓取设计的定制盖子，高精度相机 GTS-8016 定位 flow cell 上直径约 2 mm 的加样口，自动移液模块 Keyto-SP16 再把液体直接注入加样口。论文称整套系统实现了微米级定位与微升级液体处理。
酶法 DNA 合成步进产率 97.8%，追平专家优化水平
论文称系统可自主执行包括合成、转录、扩增、测序在内的核心核酸操作。酶法从头 DNA 合成这项应用里，优化目标是一对互相制约的量：产率与反应时间。据学术头条对论文的梳理，AutoDNA 不需要人类预先划定搜索空间，系统根据每轮实验反馈动态调整探索方向，尝试缓冲液、表面活性剂、反应时间、试剂浓度等变量。
多轮迭代之后，系统找到了兼顾产率与执行时间的方案，单步合成的平均步进产率达到 97.8%（），与已发表的人类专家优化结果相当。扩展数据图 6 给出迭代过程中的 PAGE（聚丙烯酰胺凝胶电泳）分析，每轮迭代包含四个独立合成的样品，并以已知长度的寡核苷酸作长度参照。
并发是另一项考验。扩展数据图 7 是时间线对比：四份酶法 DNA 合成 protocol 经静态代码合并后并发执行，另按顺序逐份执行作对照；论文报告并发执行比顺序执行快约 3.2 倍。据学术头条报道，当某台仪器被占用时，系统能找到功能相同的替代设备并相应调整控制代码，以此缩短等待、提高仪器利用率。
78 条 DNA、约 8.5 天：原始数字内容精确恢复
DNA 数据存储应用覆盖数字信息编码、DNA 合成、存储、测序、解码多个环节。论文报告，系统在约 203.5 小时（约合 8.5 天）里完成了 78 条 DNA 链的合成与测序，共执行 11,382 次硬件操作步骤，最终精确恢复原始数字内容。这段时间里人的参与，主要是定期处理实验废弃物，以及按系统提示补充试剂与耗材。
五个环节自主检出 KRAS G13D
癌症检测应用里，研究团队给系统的是一份序列信息未知的、经预处理的结直肠癌组织样本。AutoDNA 自主完成测序、突变位点识别、引物设计、引物合成与检测验证五个环节，识别出 KRAS G13D 突变，并用自合成的引物完成验证。
另一项应用是核酸检测。系统用商品化荧光等温检测试剂盒检测非洲猪瘟病毒：先用 42 微升缓冲液复溶冻干粉，再加入 5 微升样品与 3 微升激活液启动反应；启动后立即记录初始荧光值，随后做 5 轮检测，每轮在 39 ℃ 孵育 5 分钟后测荧光。人工对照组按相同流程操作，论文扩展数据图 4 给出两组实时荧光曲线的对比。
代码与数据公开，同行评审报告随论文发布
2025 年 7 月 3 日，团队把这项工作提交至 arXiv 预印本库（）；此次在《Nature》刊出的是经同行评审的正式版本。代码以 Apache-2.0 许可证开源于 GitHub 的 IPADS-X/AutoDNA 仓库，分四个组件：基于 LobeChat 的网页界面、AutoDNA-python 多智能体系统、C++ 编写的硬件调度器，以及控制实体工作站的 C# 与 PLC（可编程逻辑控制器）固件；AI 功能需配置 Google Gemini API key，仓库的 Data 部分收录论文用到的原始数据和每次实验中每个大语言模型（LLM）agent 的输出。研究使用的代码版本、酶法合成与 DNA 存储实验产生的测序数据及 agent 输出，则存档于 。
论文页面上，同行评审报告可下载，评审人之一为 Milad Abolhasani，其余匿名。资金来源包括国家自然科学基金（T2188102、62132014、62422209）、上海市基础研究特区计划、上海市科技重大专项、教育部基础学科突破计划与新基石科学基金会。论文结尾写道，AutoDNA 确立了「science-as-a-service」的蓝图，用于加速生物发现、推进合成生物学与信息存储等应用。
14 次硬件故障，6 次仍需人工干预
同期评论作者、斯坦福大学 James Zou 在评论开头写道：「AI 可能在几分钟内设计出一个有潜力的生物活性分子，但验证它可能需要数周甚至数月，还要耗费大量人力」（）。他认为这项工作表明，AI 系统正开始缩小「提出实验」与「真正做完实验」之间的差距。
但自主有边界。据学术头条对这篇评论的报道，实验任务的选择与物理平台的配置仍由人完成：实验前需要人工备好试剂与设备，长期运行中要补充耗材、处理废弃物；目前适合全自动化的实验仍以较为标准化的测试为主，涉及动物模型的实验超出已有系统的能力范围。可靠性方面，实验期间共记录 14 次硬件错误，系统自动恢复了 8 次，剩余 6 次仍需人工干预；论文补充视频演示了移液吸头拾取失败与移液器故障两类错误的恢复过程。研究团队也在论文中指出，LLM 自带的随机性可能影响实验方案的可重复性。
Zou 另外提出一个工程层面的问题：不同厂商的仪器往往使用不同的编程接口，自动化方案难以在实验室之间迁移；若 AI agent 与仪器之间没有行业标准接口，每个自主实验室都可能变成定制工程项目。
团队在论文展望里给出的下一步是：引入性能更强的仪器、能自主转运试剂的移动机器人，以及更完整的文献数据库与检索增强生成系统，进一步提高实验自主性与结果可靠性。