撰文丨王聪
编辑丨王多鱼
排版丨水成文
将人工智能（AI）与机器人技术相结合，为分子发现和优化提供了一种很有前景的方法，能够高效地探索广阔的化学空间，这种 AI+机器人驱动的自动化实验室，能够像人类一样思考，还能像机器人一样夜以继日的设计和实验，然而，其在新兴领域的应用往往受到历史数据稀疏的限制。
2026 年 2 月 24 日，多伦多大学李博文、王波团队合作（许跃、崔昊天为论文共同第一作者），在国际顶尖学术期刊Cell上发表了题为：LUMI-lab: A foundation model-driven autonomous platform enabling discovery of ionizable lipid designs for mRNA delivery 的研究论文。
该研究开发了一个 AI+机器人驱动的“全自动实验室”——LUMI-lab，它仅用十轮实验，就自主发现了能够显著提升肺部 mRNA 递送效率的全新可电离脂质分子，甚至找到了人类专家从未想过的设计秘诀。
这项研究表明了LUMI-lab是一个强大的、数据高效的平台，可用于分子的自主发现和优化，突显了 AI 驱动的机器人系统在推进下一代 RNA 递送技术方面的巨大潜力。
该研究的亮点：
预训练的 LUMI 模型推动自主闭环分子发现；
自主实验室合成并测试了超过 1700 种可电离脂质以进行微调；
主动学习能够实现对化学空间的平衡探索与利用；
溴化脂质 LUMI-6 实现体内 20.3% 效率的肺上皮基因编辑。
数据荒漠中的 AI 探险家
mRNA 技术自 COVID-19 以来已广为人知，但其成功高度依赖一个关键“快递员”——脂质纳米颗粒（LNP）。LNP 中发挥核心作用的是可电离脂质，它能高效包裹 mRNA 并在细胞内精准释放。然而，设计高效的可电离脂质极其困难，可供参考的历史数据少得可怜——目前仅有 3 款 LNP 获得 FDA 批准。传统方法依赖专家经验和“试错”，效率低下。
在这项最新研究中，研究团队开发了一个全自动实验室——LUMI-lab，这是一个将基于 Transformer 的基础模型与主动学习实验工作流相结合的自主实验平台，旨在解决数据稀疏带来的挑战。
这是一个融合了基于 Transformer 的基础大模型、机器人实验和主动学习的自主发现平台，简单来说，它拥有一个聪明的“AI 大脑”和不知疲倦的“机器人双手”。
LUMI-lab：从虚拟到现实的闭环
LUMI-lab的运作是一个完美的“设计-合成-测试-分析”闭环：
设计：预训练的 LUMI（large-scale unsupervised modeling followed by iterative experiments）模型（基于超过 2800 万个分子结构训练）从包含 22 万种可能分子的虚拟库中，挑选出最有潜力的候选脂质。
合成与测试：机器人手臂自动执行化学合成，将选定的分子制成 LNP，并递送给培养的细胞，最终通过检测荧光信号来评估其递送 mRNA 的效率。
学习与进化：实验结果数据返回给 AI 模型，用于微调其预测能力，模型在下一轮实验中，会变得更“聪明”，提出更好的设计方案。
更巧妙的是，每轮实验包含两个板块：“利用”板选取预测效果最好的分子；“探索”板则专门测试模型最不确定的分子。这种策略平衡了“摘取已知低垂果实”和“探索未知领域”，确保高效发现。
LUMI-lab概述
关键发现：被忽视的“溴”丽转身
经过十轮迭代，LUMI-lab 自主合成了超过 1700 种脂质，其发现令人惊讶——AI 自主识别出“溴化脂质尾”是提升递送效率的关键结构特征。
在由 22 万种分子构成的虚拟化学空间中，含溴的脂质仅占 8.33%。然而，AI 在实验中有意无意地“偏爱”它们——最终被提名合成的分子中，26.4% 含溴；而在所有实验中表现最优异（前 10%）的脂质里，含溴分子的比例更是高达 52%！
为验证这一发现，研究团队合成了最佳脂质LUMI-6及其去溴版本 LUMI-6D。结果证实，仅仅一个溴原子的差异，就让 LUMI-6 的 mRNA 递送效率提高了 1.8 倍。机制研究表明，溴化修饰促进了 LNP 的“内体逃逸”，这是 mRNA 被成功送入细胞的关键一步。
从细胞到活体：实现高效基因编辑
小鼠体内实验的结果更令人振奋，当将装载了 CRISPR-Cas9 基因编辑系统的 LUMI-6 LNP 通过鼻腔递送到小鼠肺部后，它实现了20.3%的肺上皮细胞编辑效率，超越了之前报道的吸入式 LNP 递送 CRISPR 系统的最高纪录。
这意味着，这种由 AI 自主发现的脂质，在治疗囊性纤维化、α-1 抗胰蛋白酶缺乏症等肺部遗传疾病方面，具有巨大的应用潜力。安全性评估也显示，其免疫反应和毒性谱与已获批的临床基准脂质 SM-102 相当。
启示与未来：AI 驱动科学发现的新范式
这项研究的深远意义不仅在于发现了一种高效的脂质，更在于验证了一种全新的科研范式——
超越人类直觉：溴原子在药物化学中常用于调节脂溶性和代谢稳定性，但此前从未被系统地视为提升 LNP 性能的设计原则。LUMI-lab 在没有先验假设的情况下，自主发现了这一非直觉性的结构-功能关系。
应对“数据稀疏”挑战：LUMI 模型通过海量无监督预训练获得通用的分子理解能力，使其能在实验数据极少的新兴领域快速学习，为众多“数据荒漠”领域的研究提供了模板。
加速发现循环：将一次实验周期压缩至约 39 小时，并通过并行化工作流程极大提升了通量，让科学家从重复劳动中解放出来，专注于更高层次的科学问题。
LUMI-lab的成功标志着 AI 正从数据分析工具，蜕变为能够自主提出假设、驱动实验、并做出新发现的“科研伙伴”。它揭示的不仅是一个溴原子，更是 AI 在探索广阔未知化学空间中的惊人潜力。
论文链接：
https://www.cell.com/cell/abstract/S0092-8674(26)00099-1