机器学习驱动的多步反应-分离过程全自动多目标优化

在现代制药工艺开发中，化学家面临的往往不是单一目标的极致追求，而是多个相互冲突目标之间的艰难权衡——提高反应产率可能需要延长停留时间，但时空产率会因此骤降;采用更绿色的溶剂可能提升反应质量效率，却可能牺牲产品纯度或增加分离难度。传统的“一次一因素”优化策略在应对这种多变量、多目标、且包含反应与分离等多单元操作的复杂体系时，显得捉襟见肘、效率低下。利兹大学Richard A. Bourne教授团队联合剑桥大学、亚琛工业大学以及阿斯利康制药的产业界专家，在《Chemical Engineering Journal》上发表了一项具有里程碑意义的工作：他们首次将基于高斯过程代理模型的贝叶斯优化算法——汤普森采样高效多目标优化算法应用于连续流体系中“反应+液液分离”多步过程的完全自动化优化，并成功在三个相互竞争的目标之间绘制出了完整的帕累托前沿。该算法的精妙之处在于，它并不像传统优化方法那样只关注当前最优方向，而是通过构建所有已采集数据点的全局代理模型，在每个迭代步中智能地平衡“探索”未知区域与“利用”已知优区，从而用最少的实验次数勾勒出目标空间中的最优边界。

研究的第一个案例聚焦于阿尔茨海默病候选药物Lanabecestat关键中间体的Sonogashira偶联反应。该步骤的挑战在于单炔化产物与双炔化副产物之间的选择性控制，以及未反应原料在下游纯化中的分离难度。优化目标被设定为同时最小化原料残留百分比和最大化目标产物的时空产率，两个目标之间存在天然矛盾——提高转化率需要更长的停留时间或更高的炔烃当量，但二者都会拉低单位时间单位体积的产出。算法在仅80次实验后就收敛到了一个由20个非支配解构成的帕累托前沿，清晰揭示了转化率与生产率之间的完整折衷关系。最令人振奋的发现是，在停留时间从4.1分钟缩短至1.8分钟的过程中，时空产率从657跃升至1586 kg/m³/h，而原料残留仅从2.1%微增至3.7%，这意味着在不显著牺牲质量的前提下实现了超过两倍的产能提升。更有价值的是，一旦完整的帕累托前沿被确定，当后续工艺开发中下游纯化规格发生变化时——例如分离能力提升允许容忍更高的原料残留——工艺化学家无需追加任何实验，只需在前沿曲线上重新选取一个更偏向高产率的操作点即可。这种“一次优化，全程受益”的灵活性对于工艺参数频繁调整的药物开发项目而言，其时间与资源节约效应是颠覆性的。

第二个案例将挑战升级为真正的多步全流程优化——克莱森-施密特缩合反应与紧随其后的在线液液膜分离被作为一个黑箱整体进行优化，优化目标扩展为三个：产品纯度、时空产率和反应质量效率。

反应本身在甲苯/丙酮/水双相体系中进行，团队为此专门设计了一种微型连续搅拌釜级联反应器，通过主动搅拌克服了两相间的传质阻力，使得停留时间可以在不依赖高流速的情况下独立调节，这对于昂贵试剂消耗敏感的自优化研究至关重要。优化变量涵盖了有机相流速、丙酮/苯甲醛比例、水相/有机相比例以及反应温度，这些变量同时对上游的反应动力学和下游的液液分配行为产生影响，形成了一个高度耦合的复杂系统。在109次自动实验后，算法识别出18个帕累托最优解，有趣的是，三个单一目标的最优点分别位于实验空间三个截然不同的角落，且当追求某一目标的极致时，另外两个目标会显著劣化——纯度最优点的时空产率比其自身最优值低了约2.5倍。通过对非支配解进行曲面拟合，研究团队生成了一个直观的三维权衡曲面，工艺开发人员可以在此曲面上根据项目当前阶段对纯度、通量和原子经济性的侧重，灵活地“点选”最合适的一组操作条件。这项工作首次证明了，包含分离单元在内的多步连续过程完全可以交由机器学习和自动化硬件协同完成黑箱式全自主优化，为未来“熄灯实验室”中端到端的制药工艺开发铺平了道路。