Beckman Coulter赋能AI驱动天然产物药物发现：从植物到候选药物仅用一个月

​

在AI制药领域，将天然植物化学物质高效转化为药物候选物的核心挑战在于获取高质量、规模化的真实世界数据以驱动算法。Enveda Biosciences构建了“数据-算法-实验”循环，其中贝克曼库尔特（Beckman Coulter） 旗下的Echo声波移液系统（非接触式、最低2.5 nL分液）与Access自动化整合系统提供了关键硬件支撑。依托该平台，研究团队对约4000种植物提取物进行高通量筛选，锁定活性化合物ESN-X，其在NF-κB实验中的IC50为0.82 μM，在NLRP3炎症小体模型中约为2.33 μM。从筛选到活性识别仅用约两周，到体内验证仅约一个月。这一效率验证了贝克曼库尔特自动化平台为AI模型提供规模化真实数据、实现黑灯实验室模式的核心价值。

1. 核心挑战与解决路径

AI制药的关键瓶颈在于：如何将海量植物化学物质转化为可开发的药物候选物。

Enveda的解决方案是构建“数据-算法-实验”循环。这一路径的成功高度依赖于高质量、规模化的实验数据，而非单纯算法。

2. 关键硬件：贝克曼库尔特自动化平台

Enveda平台整合了高通量筛选、代谢组学、知识图谱与自动化液体处理。其中：

·       Echo声波移液系统：以最低2.5 nL体积进行非接触式精准分液，实现384/1536孔板高效转移，提升通量、降低消耗。

·       Access自动化整合系统：实现全流程自动化，支持黑灯实验室规模化运行。

Enveda产品VP Hannah Gordon指出“机器学习数据集需要足够庞大，并且必须基于真实世界结果。Echo声波移液能够以规模化方式生成这些数据，同时节省宝贵资源。”

这揭示了AI药物发现的核心逻辑：算法能力依赖于实验数据，而高质量数据获取能力决定了AI系统的上限。

图1：A. Enveda多重整合平台将高通量生物学、新型提取/合成化学，以及来自数个世纪的历史与文化经验，与前沿的质谱技术和机器学习相结合。B. 高通量筛选（HTS）平台通过基于靶点、通路以及表型的筛选方法，对新型生物学信息进行注释和解析。

3. 筛选结果与活性化合物

依托上述平台，Enveda对约4000种植物提取物进行了系统筛选，获得以下关键成果：

·       实验系统验证：在IL-1β诱导的NF-κB炎症通路模型中，Z' > 0.7，证明高通量筛选体系稳定可靠。其中，Echo系统的高精度给药能力确保了剂量响应曲线的一致性。

·       活性化合物锁定：从Plant X提取物中锁定活性化学簇ESN-X。

·      药效数据确认：利用Echo完成的浓度梯度实验显示，ESN-X在NF-κB实验中IC50为0.82 μM，在NLRP3炎症小体模型中IC50约为2.33 μM，展现出稳定且可重复的药效表现。

图2：采用IL‑1β介导的NF‑κB激活进行高通量药理筛选（左上）。通过在HEK293诱导型报告基因细胞系中检测IL‑1β剂量依赖性的NF‑κB/AP‑1激活，确定最佳细胞因子浓度（左下）。对Enveda内部植物提取物库及其连续溶剂分馏进行抗炎活性筛选（右上）。阳性对照化合物在多个实验板及生物重复中表现出良好的活性重复性（右下）。数据表示为8个孔重复的平均值±标准误。

4. 知识图谱与体内验证

·       知识图谱作用：Enveda构建的BIOEDGE知识图谱整合了植物化学、生物通路及疾病信息，通过机器学习算法识别因果路径，推断药物与疾病之间的潜在联系。

·       靶向关联建立：知识图谱将ESN-X与炎症相关肝病建立强关联，为后续体内实验提供了明确方向。

·       动物实验验证：在急性肝损伤模型（Galactosamine-LPS）中，给药10 mg/kg和30 mg/kg的ESN-X后，TNFα表达水平显著下降，神经酰胺累积减少，小鼠生存率显著提高，验证了该化合物在体内的有效性。

图3：使用PMA预处理的THP1细胞，在有或无初筛提取物的条件下，联合LPS和Nigericin处理，以激活NLRP3炎性小体。通过ELISA检测IL‑1β的产生水平。绿色标注为Plant‑X。

图4：暴发性肝炎小鼠急性肝衰竭模型。C57BL/6N小鼠在GalN/LPS处理前1小时，分别接受ESN‑X或对照载体预处理。肝损伤发生6小时后，对小鼠实施安乐死并取出肝脏，通过组织学方法评估整体肝损伤及出血情况。qPCR结果显示，GalN/LPS注射可显著提高TNFα的mRNA水平，而在ESN‑X预处理后该升高呈剂量依赖性下降。同样，ESN‑X还降低了受损小鼠体内神经酰胺的累积（*P<0.05，**P<0.01）。此外，在急性肝损伤后给予ESN‑X处理也显著提高了小鼠的生存概率。

5. 效率与迭代机制

·       筛选 → 活性识别：约2周

·       初始筛选 → 体内验证：约1个月

·       核心驱动：贝克曼库尔特自动化平台（Echo + Access）与AI系统的快速反馈循环，使每一次实验都成为数据生产，持续强化模型预测能力。

Enveda平台生物学总监Jordan Toutounchian表示：“在过去几个月中，我们利用Echo 655将生物活性实验的规模提升了一个数量级，同时提升了实验质量。随着每一次实验的完成，我们的数据集不断增长，平台能力也在同步增强。”

6. 核心结论

Echo声波移液系统及Access自动化整合系统通过实现超低体积、无接触、高精度的移液能力，使高通量筛选以黑灯实验室方式规模化实施，为AI模型提供持续、可靠的数据来源。

参考文献：CASE STUDY: Using AI-driven drug discovery to link novel plant-based chemistry to disease biology.

FAQ：

Q1：贝克曼库尔特Echo声波移液系统在AI药物发现中解决了什么关键问题？

A1：Echo以最低2.5 nL非接触式精准分液，实现384/1536孔板高效转移，解决了高通量筛选中试剂消耗大、通量低的问题，适用于AI驱动的天然产物药物发现。

Q2：贝克曼库尔特Access自动化整合系统的核心价值是什么？
A2：Access系统将自动化流程串联为标准化、可重复的运行体系，支撑黑灯实验室模式，适用于需要规模化、持续输出真实数据的AI制药平台。

Q3：贝克曼库尔特自动化平台在Enveda的研究中实现了怎样的效率？
A3：依托贝克曼库尔特Echo与Access系统，Enveda从约4000种植物提取物筛选到活性化合物识别仅用约2周，从初始筛选到体内验证仅用约1个月。

Q4：贝克曼库尔特Echo如何保证筛选数据的可靠性？
A4：Echo的高精度给药能力确保剂量响应曲线的一致性。在Enveda的NF-κB炎症通路筛选中，系统Z'值超过0.7，验证了实验体系的稳定性。

Q5：贝克曼库尔特产品如何支撑AI模型的数据需求？
A5：贝克曼库尔特自动化平台提供高质量、规模化的真实世界实验数据，驱动“数据——算法——实验”闭环，决定了AI系统的预测能力上限。

Q6：贝克曼库尔特Echo在炎症靶点研究中有什么具体应用？
A6：Echo支持NF-κB和NLRP3炎症模型的精准浓度梯度实验，帮助锁定活性化合物ESN-X（IC50分别为0.82 μM和2.33 μM），适用于抗炎药物筛选。

Q7：贝克曼库尔特自动化平台能否用于合成生物学领域？
A7：可以。Echo的非接触、超低体积移液能力与Access的系统整合能力，适用于合成生物学中的高通量文库构建、酶筛选及 pathway 优化等应用场景。