从流水线到黑灯实验室，生命科学上游的自动化革命 36氪新风向( 四 ) 文|顿雨婷做过实验的人大概都

据金域医学检验集团某地区实验室主任介绍，目前全国已有1500条医学检验实验室自动化流水线，整体市场容量7000条左右，现每年以装机300多条的速度增长，加上基层服务商普遍对价格敏感，这都给了本土厂商较大的机会。但这一市场竞争非常激烈，加上可预见的天花板，并不被资本市场所广泛关注，因此本文不对此展开讨论。
二、本土厂商突围进行时
从严格意义上讲，国内市场还处在早期发展阶段，这么多不同形式的产品以及多元的落地场景，该从哪里找到突破口呢？三个基本要求要满足：首先，从目标出发，对自动化的需求结果充分理解；其次，技术可实现、且流程相对固定，满足落地前提；最后，系统/产品成熟可靠、有客户买单，形成商业闭环。
结果导向：复现实验结果、探索新机制
以结果为导向，我们首先就要知道对实验室自动化的需求点体现在哪里。如果参照工业自动化，其关键在于降本提效，最终产生的结果是某种加工或装配好的产品。
相较之下，实验室自动化最终产生的结果可分为两类：其一，完成重复性动作进而得出一个准确的数据，这主要针对检测型实验室；其二，通过设计的实验过程得到数据，探索和理解新的机制，或是筛选目标化合物，这主要针对研发型实验室。
上述两个过程中所涉及的操作步骤和流程主要是为复现实验，目前检测场景的应用相对成熟，研发场景往往还需要用实验数据反哺分析实验步骤和实验的具体细节，进而优化实验。从这个角度来说，实验室自动化不仅仅是动作执行层面的操作，而是包括了样本流、信息流、操作流，除了要完成对实验仪器的操作，更要对实验仪器产生的结果或实验流程的数据结果进行整合处理。
而以上功能的实现，一般需要满足四点要求：AI引擎、移动平台、多模态传感器等对实验室实现全方位的数据收集；通过中控系统接入第三方仪器，优化工作模式；通过视觉传感器、力学传感器等搜集实验全流程数据，通过平时观察不到或不着重分析的步骤对实验流程持续优化等；引入AGV机器人，确保灵活性，且能串联起物理上更为分割的“独立功能区” 。
落地前提：技术可实现、要流程化
对于检测实验室的自动化探索，其技术门槛略低一些，目前行业已有相对规模化或成熟应用，主要针对独立检验检测、标准项目临床诊断，以及因疫情“翻了十番”的核酸检测等，它们普遍市场规模较大，但这些领域大都已成为竞争红海。
对于研发实验室的探索，创业者们普遍反映，其实上述技术单独拆开并不难，难就难在将其整合打通、实现全面自动化，很好地应对生命科学场景的“复杂性”和“非标性”——这些都对柔性化和精度要求高，以及一些新兴技术领域需求的崛起。
典型的新技术有基因编辑技术、IPS细胞培养技术等，它们将给人类健康和生活带来巨大变革。而在这个过程中，自动化和智能化将极大促进行业发展。以基因测序行业为例，现在的自动化测序技术通量相比20年前提高了超过千万倍，其发展速度远远超过半导体行业的摩尔定律。与之类似，一些新兴领域可规模应用的前提也是在于，很多环节所涉及的自动化技术得到了突破，能让过去做起来非常难的事情现在可通过流程化、标准化手段来解决。
譬如， Alphafold2对氨基酸序列预测蛋白分子折叠问题的破解、AI在晶型预测方面的进步、mRNA治疗技术的规模应用等，都将生物问题变成计算问题；以及半导体工艺的演进带来的算力突破、打通了计算能力到新生物药研发的通路等。若能将这些散点技术逐渐串联，整个生物医药的海量试错行为可变成由机器来不断重复的工作。