自主与自动化实验室系统正通过整合机器人技术、先进传感和智能软件来提高效率和可重复性，从而迅速改变药物发现领域的格局。传统的药物发现工作流程常常受到低通量、高变异性以及有限可重复性的困扰，尽管科学进步前景广阔，但这些因素却制约了创新步伐。"自驾驶实验室"（即能够实现机器人执行、实时数据采集和闭环优化的集成平台）的出现已经开始克服这些障碍。开创性研究已建立概念验证系统，能够执行复杂的实验程序，利用AI驱动的策略指导实验，并生成高质量、标准化的数据集。尽管这些进展显示出令人兴奋的前景，但在构建稳健、通用的工作流程方面仍存在重大挑战：整合多样化的硬件、开发自适应实验设计，以及在学术和工业环境中部署可扩展、用户友好的解决方案。
本研究主题旨在推进专注于药物发现的自主与自动化实验室系统的最新技术水平。我们的目标是促进和展示使能闭环实验的技术、方法和策略创新，涵盖机器人样本处理、自动测量、数据驱动决策和工作流程编排。重点强调严格的实验验证和可证明的转化影响，特别关注能够提高检测可重复性、优化筛选流程、加速从命中到先导化合物的转化或提高整体数据质量的方法。特别鼓励提交关于自动化与主动学习、自适应控制以及仪器接口、成像和错误处理的实用解决方案整合的研究，以及解决检测漂移、校准和多样化实验室系统互操作性等持续障碍的工作。
- 检测、分析化学和筛选工作流程的自动化策略
- 实验室操作的机器人操控和物流
- 实验室机器人中的视觉引导控制、校准、错误恢复和可靠性工程
- 闭环实验设计（包括主动学习、贝叶斯优化和自适应协议）
- 与芯片实验室和微流控技术的集成
- 学术和工业环境中的工作流程编排、元数据管理和跨平台可重复性
- 展示完整闭环实验周期的案例研究
关键词：闭环发现、自主实验室、实验室自动化、机器人技术、机器视觉、主动学习、微流控技术、高通量筛选
重要提示：提交至本研究主题的所有内容必须符合其提交的版块和期刊的范围，如其使命声明中所定义。Frontiers保留在同行评审的任何阶段将超出范围的稿件引导至更合适的版块或期刊的权利。
【全文结束】