通过高通量工具和机器学习优化有机合成的新兴趋势

2025年 1月发表于《Beilstein Journal of Organic Chemistry》期刊的综述《Emerging trends in the optimization of organic synthesis through high-throughput tools and machine learning》讨论了当前用于优化有机合成的高通量自动化化学反应平台和机器学习算法，详细阐述了其在有机合成领域的应用、发展现状和趋势、面临的挑战与未来机遇。

文中展现了高通量实验（HTE）平台和机器学习在有机合成优化中的显著优势。HTE平台方面，批次模块能利用并行实验提高通量，处理多试剂且应用广泛；流动平台通过连续流动的反应方式，在微流控等技术支持下，高效筛选反应条件，在有机合成和聚合物合成等领域成果显著，还有自主自优化流动反应器提升合成效率。机器学习算法中，贝叶斯优化（BO）等技术通过构建预测模型，能在较少实验次数内找到最佳反应条件，处理多目标优化和混合变量优化问题，加速优化进程。同时，实时分析和高通量数据处理为反应优化提供了关键支撑，保障了实验的高效性和准确性。

总而言之，综述强调了高通量工具和机器学习在有机合成优化中的重要性。它们不仅提升了有机合成的效率、准确性和实验通量，还推动了自动化实验室的发展，减少了人工干预。通过更智能的反应条件优化，实现了资源的高效利用，增强了有机合成过程的可持续性。随着技术的不断进步，如机器学习算法的持续优化、与其他领域技术的融合，以及实验设备的进一步自动化，高通量工具和机器学习将在有机合成领域发挥更为关键的作用，推动该领域不断向前发展。

结论部分提到的未来的研究方向

◆ 开发新的优化算法：解决传统贝叶斯优化方法的局限性，例如更均匀地绘制帕累托前沿。

◆ 处理大量分类变量的算法开发：特别是在多目标优化和环境影响最小化方面。

◆ 多步反应的优化策略：将优化算法应用于多步反应过程，而不仅仅是单步反应。

◆ 机器学习工具的整合：将机器学习应用于反应优化实验规划，例如选择分类化学变量（催化剂、配体等）。

◆ 深度学习模型的应用：特别是大语言模型（LLMs）在化学合成中的应用，以及如何通过这些模型加速反应优化。

◆ 标准化基准测试方法：开发更多反应模型以评估优化算法的适用性。

◆ 跨学科合作与资源共享：推动自主平台和算法的普及，促进学术界的合作。

论文摘录

EXCERPTS FROM THE THESIS

01

引言

有机合成在多领域作用关键，但传统方法资源耗费大、劳动密集，且难以处理多变量复杂关系。人工智能（AI）、机器学习（ML）和自动化技术的发展，为化学合成优化技术带来了范式转变。通过利用 ML 模型预测反应结果和 ML 优化算法，这种新方法能够揭示反应变量之间的复杂关系，并且与传统方法相比，能在更少的实验次数内找到全局最优条件。此外，机器引导的优化已成为一种很有前景的框架，可用于获得针对单目标或多目标均表现最佳的反应条件，使研究人员能够探索不同的解决方案空间，找出在一致和 / 或相互冲突的目标之间取得平衡的最佳条件。另外，将实验室机器人技术应用于化学合成，推动了闭环优化平台的发展，该平台能够在极少人工干预的情况下快速执行优化流程。

通过 ML 方法优化有机反应的标准流程和通用方法如图 1 所示。该流程包括：（i）精心设计实验（DOE）；（ii）使用商业高通量系统或内部设计的反应模块进行反应；（iii）通过在线 / 离线分析工具收集数据；（iv）将收集到的数据点与目标进行关联；（v）预测下一组反应条件以获得最佳解决方案；（vi）对建议的优化结果进行实验验证。

02

HTE平台

HTE 平台旨在通过同时快速筛选和分析大量实验条件，加速有机分子的发现和开发。通常，有机化学的 HTE 平台包括液体转移模块、反应阶段和用于产物表征的分析工具。当整个实验过程实现自动化，并与执行 ML 优化的中央控制系统相结合时，HTE 平台就可以像自动驾驶平台一样，由算法自动选择下一轮实验，无需人工干预。本节重点介绍各种 HTE 平台的关键特性，包括其优点、局限性以及在有机分子合成中的应用。

● 使用批次模块的HTE

HTE 批次平台利用实验并行化，在不同条件下同时进行多个反应，以提高实验通量。通常，批次平台包括基于柱塞泵（如注射器、移液器）设置反应的液体处理系统、能够加热和混合的反应器以及在线 / 联机分析工具。批次 HTE 在控制分类变量和连续变量方面表现出色，尤其适用于反应混合物的化学计量和配方。能够处理多种试剂的多功能性以及 96 孔板的广泛可用性，使得批次条件下的 HTE 在优化化学合成方面得到了广泛应用。然而，当使用 MTP 作为反应容器时，也会出现一些挑战。首先，由于共享同一 MTP 的平行反应器的固有设计限制，无法对单个孔内的反应时间、温度和压力等变量进行独立控制。此外，当在接近溶剂沸点的温度下使用标准的基于 MTP 的反应容器时，也会出现问题，因为这种实验器具没有封闭，也无法冷却反应容器顶部以实现回流条件。尽管一些研究小组开发了用于高温反应的定制工具，但这些反应器目前尚未商业化。

近年来，研究实验室逐渐偏离传统商业工具，转向根据化学家的需求定制的 HTE 系统。Burger等人创造性地开发了一种配备样品处理臂的移动机器人，专门用于精确执行光催化反应以裂解水分子制氢。该移动机器人通过执行任务并连接八个独立的实验站，包括固体和液体分配、超声处理、多种表征设备以及消耗品和样品存储站，替代了人类实验人员的工作。Manzano等人开发了一种小尺寸便携式化学合成平台，能够进行液 - 固有机反应。该平台使用可根据目标反应按需生成的 3D 打印反应器，并配备液体处理、搅拌、加热和冷却模块，以提高其多功能性。此外，该平台能够在惰性和低压气氛下运行，处理分离步骤，并进行压力传感以监测反应。通过成功合成五种小有机分子、四种寡肽和四种寡核苷酸，且产物纯度高、产率可观，证实了其有效性和稳定性。尽管在当前配置下，该平台缺乏表征模块，并且与其他自动化平台相比通量较低，但它确实提供了一种低成本的替代方案，可用于进行化学反应优化。

除了学术界，工业界也越来越认识到投资定制 HTE 装置以使合成工作流程自动化，从而提高生产力的价值。礼来公司设计并建造了一个完全集成、可通过云端访问的自动化合成实验室（ASL），能够进行加热、低温、微波、高压反应、蒸发和后处理，能够进行广泛的化学反应。三星的研究人员率先开发了 SynBot，这是一种创新的自主合成机器人，它利用人工智能和机器人技术来确定最佳合成程序。SynBot 由通过传送带连接的五个模块组成，一个机械臂负责在模块之间转移样品。这些模块包括用于化学存储和化学选择的储存区、用于固体和液体分配的分配模块、能够加热和搅拌的反应模块、样品制备模块以及 LC - MS 表征模块。IBM 开发了 RoboRXN，这是一个可远程访问的自主化学实验室，通过利用云计算、人工智能和自动化技术，显著加速了化学合成。

●使用流动平台的HTE

流动平台由流体输送系统、混合工具、反应器、淬灭单元、压力调节单元和收集容器组成。溶液化学中最常用的反应器是微流控芯片反应器或盘管式反应器。当处理固体多相催化剂和试剂（如无机碱）时，会使用填充床反应器。此外，还开发了用于电化学和光化学实验的专用反应器。根据反应混合物的流动方式，流动反应可以是连续的或分段的（也称为液滴流）。分段流动反应通过在微流控反应器内创建分段或液滴流，提供了一种收集不同数据点的有效方法。液滴微流控技术已成为跨学科的强大工具。Pieber等人报道了分段流动反应器在非均相固 - 液反应中的应用。他们将反应液滴描述为通过气体段分隔的串联微批次反应器（SMBRs），在连续流中结合了液体试剂和固体光催化剂。通过使用 Y 型混合器建立稳定的气 - 液分段流动模式，然后通过 T 型混合器悬浮催化剂来产生液滴。这项技术被用于开发选择性高效的脱羧氟化反应。最近开发的一种液滴流平台，通过注入气体段作为分离介质，以优化Buchwald - Hartwig胺化反应的中间体，这对合成药物奥氮平至关重要。该反应器装置集成了光谱和色谱在线分析工具，能够实时监测产物和反应中间体。

Robochem 是一个高通量实验（HTE）平台，旨在简化光化学反应的筛选过程，便于在液滴流反应器中快速生成多种反应混合物，每个反应混合物的体积为 650 微升。这个创新系统通过专门的相位传感器阵列和检测反应液滴通过的算法，实现对反应液滴的精确监测。结果，该工作流程显著提高了生产效率，比传统间歇反应高出 500 多倍，比普通流动反应效率提升了 5 倍。辉瑞开发了一种定制设计的流动系统，用于在纳摩尔规模上对Suzuki-Miyaura偶联反应进行快速反应筛选。该平台包括一个经过改装的高效液相色谱（HPLC）系统，可提供 12 种可选溶剂的流动相；一个自动进样器，能够注入微升量的预选反应混合物；以及一个用于产物表征的液相色谱 - 质谱（LC-MS）设备。研究人员在 11 种配体、7 种碱和 4 种溶剂中进行了约 5760 次反应筛选，并进行了适当的对照实验。纳摩尔液滴系统实现了非常高的通量，每 24 小时可进行超过 1500 次反应。这种广泛而智能的筛选方法确定了在间歇和流动条件下将选定反应放大到 50 - 200 毫克规模的最佳条件。

除了有机合成，液滴流方法在聚合物合成中也有应用。Reis 等人使用液滴流反应器开发了一个能够聚合 397 种独特共聚物组成的流动平台。该方法和高保真数据使他们发现了十多种有前景的用于 19F 磁共振成像（MRI）剂的共聚物组成，其性能优于现有材料。通过在自动化 HTE 流动装置中形成液滴流，快速生成了共聚物库。这种方法不仅有助于克服传统光聚合反应中的粘度挑战，还有助于确定共聚物库的结构 - 性能关系。Ahn 等人设计并制造了一个完整的原型设备，该设备配备了独特的内置流动分配器（图 4）和 16 个能够并行执行多种条件（包括光化学反应）的微反应器。毛细管反应器的温度可以独立控制，为实验提供了灵活性。具有挡板结构的储液器式分配器不仅确保即使一个或多个反应器发生堵塞时试剂仍能均匀流动，还允许改变单个毛细管反应器的停留时间。作者通过并行执行 12 种不同的反应展示了该平台的能力，这些反应涵盖了基于重氮化学的六种不同类型的化学转化（图 4）。总共测试了 96 种反应条件，在不到一小时的时间内就确定了优化的反应参数。

HTE 合成的主要瓶颈在于实验完成后反应产物的分离和纯化挑战。尽管存在这一瓶颈，但相关领域正在不断发展，出现了各种实用工具来简化纯化过程。从预装硅胶管到精密半制备液相色谱，再到各种清除树脂的多功能应用，实验室在高效高通量纯化方面有了更多选择，特别是在中等规模的化学合成中。突破传统纯化方法的思维模式为 HTE 流动平台的发展带来了机遇。一种与现有分离技术完全不同的全新设计，不仅有望提高 HTE 流动合成的效率，还将为该研究领域的可持续发展铺平道路。

● 自主自优化流动反应器

自主自优化流动反应器（ASFRs）代表了化学反应过程优化中的一项有前景的进展。ASFR 结合了自动化、人工智能、在线分析和机器人技术的原理，简化并加速了过程优化工作流程。图 5a 展示了 ASFR 的示意图。

一种专门为 Heck 反应的闭环优化而设计的自优化微反应器系统，采用了由 Nelder - Mead 单纯形法算法指导的 “黑箱” 优化策略。通过在线 HPLC 分析实时测定产物产率，并将反馈提供给控制系统，以指导输入条件，从而在 19 次自动化实验中实现最佳产物产率。

Bédard 等人智能设计了一种即插即用的连续流动化学合成系统（图 6a），通过硬件、软件和分析的集成，缓解了传统有机合成中的一些挑战。该系统由一系列模块化组件组成，包括加热、冷却、LED 光照和填充床反应器等单元，为各种反应类型提供了灵活的平台。该系统还包括液 - 液分离器和在线 / 联机分析工具，便于进行闭环自主优化。该系统在优化 C - C 和 C - N 交叉偶联、烯烃化、还原胺化、光氧化还原催化和亲核芳香取代反应，以及环丁酮的两步合成中展示了其能力。在最佳条件下合成的分子如图 6b 所示，采用了分支定界拟合稳定噪声优化（SNOBFIT）算法。

03

实时分析和高通量数据处理

实时分析在通过高通量合成和机器学习算法优化化学反应中起着关键作用。过程分析技术（PAT）工具使研究人员能够从大量实验中获取化学信息，便于精确测量优化目标。与传统的一次性最终产品评估相比，在 HTE 中集成实时分析具有诸多优势：

◆ 实时分析有助于快速决策，使研究人员能够在数据生成时持续监测和分析数据，并在实验过程中即时调整过程参数。

◆ 实时分析能够早期发现趋势或异常情况，提供有价值的见解，指导后续实验，并为实验方案的迭代改进和优化提供依据。

◆ 通过实时分析优化实验工作流程并减少浪费，研究人员可以更有效地分配资源，确保资源得到有效利用，以最大化实验成果。

◆ 增强对过程的实验控制，以提供稳定的产品质量，满足期望的规格和标准。

◆ 实时分析通过提供即时反馈，加速优化过程，减少实验时间，并以最少的材料使用快速发现最佳反应条件。

分析工具是高通量平台的重要组成部分，根据其在实验工作流程中的位置不同，有在线、联机、线和离线等多种配置。表 1 描述了它们之间的细微差异。

在本综述中，我们重点关注与 HTE 平台相辅相成的高通量数据处理，以实现有机反应的快速优化。尽管多元数据分析在分析化学中经常用于快速数据处理，但相关开源代码的可用性相对较低。因此，开发用于数据处理的开源代码对科学界具有重要意义。

Jansen 等人开发了 HappyTools，这是一种用于分析 HPLC 测量数据的工具，能够校准保留时间、进行峰定量，并使用各种质量标准整理汇编数据。HappyTools 的通量得到了提高，对生物制药样品的总处理时间最多可减少十倍。作者在在线存储库中发布了源代码和可执行程序，供研究目的免费使用。

除了 HappyTools，还有其他可用的开源 Python 包用于分析色谱和光谱数据。一个名为 Aston 的跨平台 Python 包可用于处理 UV - vis 和 MS 数据。这个开源库使用 Python、NumPy 和 SciPy 编写，并在在线存储库中公开托管。同样，对于处理来自 GC - FID、HPLC - UV 或 HPLC - FD 的色谱数据，也有开源包可用。将这些代码嵌入 HTE 和 ML 工作流程中，显著提高了优化过程的效率和速度。

最近，Sagmeister 等人集成了四种互补的 PAT 工具，包括在线 NMR、UV - vis、IR 和在线超高效液相色谱（UHPLC），以细致监测药物美沙拉嗪的三步线性合成过程，通量为 1.6 g・h⁻¹。

最近的一项研究介绍了一种使用 Python 直接处理和分析 HPLC - DAD 原始数据的新方法。这种方法利用了多元在线上下文色谱分析（MOCCA）包，该包设计用于集成到自动化和手动工作流程中。MOCCA 具有一系列优势，包括自动管理内标以进行精确的相对定量、可靠的峰归属、加速样品处理以及高效解卷积重叠峰。通过成功完成四个综合案例研究，展示了其多功能性，证明了它在各种分析场景中的广泛适用性。

04

机器学习驱动的化学反应优化

图 9a 概述了使用机器学习方法优化化学反应的基本步骤。该工作流程需要一组初始实验数据，其中包含不同的反应条件变量（即温度、时间、溶剂、催化剂等）以及相应的目标优化目标结果值（例如产率、纯度、成本等）。初始数据集通常通过从参数空间中采样反应变量组合、在选定的反应条件下进行合成实验，并测量目标优化目标的值来获得。初始反应变量的采样通常通过近似随机统计方法进行，如拉丁超立方采样（LHS）、索博尔采样、全因子采样和中心点采样方法。或者，初始数据集也可以从文献中先前报道的值获得。之后，将一个或多个预测模型拟合到初始数据集上，以预测优化目标的预期值。拟合模型的数量取决于优化目标的数量，通常为每个优化目标构建一个模型。下一步是应用优化算法来寻找最有可能导致目标优化目标获得最优结果的参数。最后，选择一组最有希望的建议并进行实验测试。然后，使用最新实验参数的结果更新数据集，并重复该过程，直到找到最优条件。根据目标的数量，优化活动可分为单目标优化（图 9b）或多目标优化（图 9c）。在单目标优化中，算法将探索参数空间，通过寻找最大化或最小化目标目标函数的变量来确定最优条件。在多目标优化中，算法将搜索最大化或最小化每个目标函数的最优条件。

直到 Lapkin 和 Bourne 等人引入贝叶斯优化（BO）技术，机器学习在化学反应优化中的应用才开始流行起来。BO 是一种全局优化方法，它拟合一个概率函数来模拟目标函数，并利用该函数搜索可能导致最优目标值的参数。通常，BO 使用高斯过程（GP）来创建替代模型，映射变量与目标之间的关系（图 9a）。然后，对替代模型进行采样，输出值被传递到一个采集函数中，该函数平衡替代模型的预测和不确定性，以找到可能导致最优解的变量组合（图 9a）。将 GPs 和 BO 应用于优化化学反应的优点在于能够模拟多个变量之间的复杂非线性关系，并将不确定性纳入预测中，这使得它们适用于优化具有噪声和高评估成本的函数。

05

结论

文中概述了机器学习驱动的化学合成多目标优化的最新进展，以及高通量实验和分析技术的突破。机器学习算法、高通量实验工具、数据处理技术和自优化反应器的最新发展，为化学优化过程带来了变革性的影响。尽管如此，该领域仍有许多研究机会，有望继续推动这一变革，并加速化学反应优化的进程。

鉴于有机合成和表征的耗时性，优化实验会受到测试新反应条件所需时间的显著限制。对于旨在绘制帕累托前沿的实验来说，这一点尤为明显，因为通常需要进行大量的实验评估。MTBO 和迁移学习等创新方法已经在减少寻找最优解决方案所需的实验次数方面取得了进展。然而，开发能够解决传统贝叶斯优化方法局限性的新算法也将带来巨大的益处。例如，现有的贝叶斯优化算法通常关注优化目标，却未能均匀地绘制帕累托前沿。结合基于单步进化算法的采样程序与贝叶斯优化的新算法，已经展示出快速收敛、减少采样浪费以及对帕累托前沿进行均匀探索的能力，这在有机反应优化领域可能具有很大的前景。我们预计，进一步的进展将带来性能更优的算法，这些算法仅需极少的实验次数就能实现最优解决方案。

该领域在优化多个连续变量方面已经取得了显著进展，但在化学合成优化中，分类变量的应用主要局限于具有一两个优化目标的单步反应。开发能够有效优化大量分类变量的机器学习算法，对于充分发挥优化方法的潜力至关重要。当目标函数不仅仅是直接测量反应产物的输出（如产率、通量、选择性等）时，这一点尤为重要。例如，旨在最小化化学合成对环境影响的优化，正日益成为工业界的首要任务。一个反应对环境的影响不仅取决于过程的效率（即产率和通量），还会受到合成过程中使用的溶剂、催化剂、试剂以及下游后处理等因素的显著影响。为了获得使环境影响最小化的最佳反应条件，可能需要探索大量不同的试剂，而这通过传统的优化方法是无法实现的。尽管如此，机器学习算法可以提供一种有效的途径，来探索参数空间并减少实验时间，以找到使特定制造过程的环境影响最小化的条件。然而，目前最先进的包含混合变量的优化算法，仍然无法处理这些研究所需的大量分类变量。

制药和特种化学品的制造通常涉及多个反应步骤，以将起始试剂转化为最终产品。到目前为止，优化算法大多应用于单步反应，或者对多步反应过程中的每个反应进行逐步优化。文献中很少有例子展示机器学习方法在自动流动反应器中优化串联反应的能力，但这些积极的结果应鼓励在这一领域进行进一步研究。然而，由于反应混合物中试剂之间的竞争性化学相互作用，串联反应不可行的情况必然会发生。因此，更多的研究应关注多步反应过程中的优化策略，其中最终目标函数的输入变量来自合成路线的多个步骤。

机器学习算法在辅助发现新化学知识方面正蓬勃发展，从生成性设计到性质预测和反应规划。进一步的工作应将机器学习的各种应用整合到化学反应优化实验中，为研究和发现开辟新的途径。特别是，机器学习工具在反应优化实验规划方面具有巨大潜力，有助于选择分类化学变量（如催化剂、配体、添加剂等）。Christensen 等人已经展示了应用机器学习聚类方法发现新催化剂配体的优势，如果仅依赖人类化学直觉选择测试配体，这些新配体可能会被忽略。Taylor 等人也强调了使用 DFT 或机器学习替代方法来发现反应模型之间的相似性，以便将高效的多任务学习应用于化学反应优化。机器学习工具的另一个潜在应用是使用 CASP 来发现替代反应路线，这有可能提高当前制造方法的效率。最后，利用自优化化学平台生成的大量数据及其实验多功能性，我们设想将反应优化方法与生成性设计相结合，创建全自动化实验室。这些实验室不仅能够发现新分子，还能寻找最佳合成条件，以满足化学产品的生产需求。

未来有机化学反应优化的研究应利用先进的深度学习模型。特别是，我们认为大语言模型（LLMs）是一项很有前景的技术，能够从先前的文献中提取化学知识。LLMs 可以通过对同行评审文献的数据挖掘，为目标材料生成合成方案。Bran 等人最近展示了一种先进的由 LLM 驱动的化学引擎 ChemCrow，它能够规划和执行有机分子的合成。该 LLM 集成了 18 种化学信息学工具，并根据这些工具提供的信息进行推理步骤，以完成特定的化学任务。沿着这些思路，我们设想将 CASP 工具和 LLMs 相结合，通过基于先前研究提供接近反应最佳起始条件的可行反应路线，加速有机反应的优化。LLMs 还可以帮助编码经验有限的研究人员编写自动化实验工作流程所需的代码，并执行他们的反应优化。然而，使用 LLMs 驱动实验仍处于早期阶段，了解它们在为化学科学生成有价值内容方面的局限性和潜在缺点至关重要。最近的一项研究表明，LLMs 可能会生成有关化学安全的错误和误导性信息，这需要得到解决，以避免在由这些模型控制的自主平台中发生事故。早期研究结果表明，提示工程、微调以及检索增强生成等方法可以提高 LLMs 在化学相关任务中的可靠性，并使其在该领域得到更广泛的应用。

随着优化方法数量的增加，标准化机器学习优化算法的基准测试方法至关重要。Lapkin 研究小组发布的 Summit 开源软件包为这一领域奠定了基础。鉴于化学反应的多样性，有必要开发各种不同的反应模型，以全面评估优化方法在各种场景下的适用性。该领域应利用高通量实验产生大量数据的能力，创建可靠的正向模型，并将其整合到在线存储库中。这样，研究人员可以访问这个在线存储库，通过对化学反应模型进行计算机模拟优化实验，对新的优化算法进行基准测试。

为了推动这项研究的持续发展，普及对专有自主平台和算法的访问，并促进学术界内部的合作以共享专业知识至关重要。尽管在应对当前挑战方面已经取得了重大进展，但我们相信机器学习和人工智能的全部潜力尚未完全实现。这凸显了在大学和大学预科阶段培养跨学科专业知识的重要性，从而培养更广泛的知识基础。这种方法将使年轻研究人员能够从一开始就全面应对复杂的科学挑战，为创新和进步开辟新的可能性。

ABOUT

期刊：Beilstein Journal of Organic Chemistry

第一作者：Pablo Quijano Velasco

通讯作者：Kedar Hippalgaonkar、Balamurugan Ramalingam

通讯单位：Institute of Materials Research and Engineering (IMRE), Agency for Science Technology and Research (A*STAR), Singapore, etc.

论文DOI：10.3762/bjoc.21.3

the end

欧世盛（北京）科技有限公司是以微反应连续流化学合成技术及仪器设备，在线检测、传感器及应用型自动化装置为主的平台型技术公司。 公司拥有多学科的研发团队和应用研究团队，总部位于北京，应用研发部门FLOW R&D实验室与清华大学等多所科研团队合作，为不同行业用户提供强大的技术支持。

欧世盛可提供：

组建完整的Flow Chemistry Lab

提供自动化及智能化多步合成解决方案

提供高端设备定制开发

工艺路线开发、放大工艺及设备开发

连续流微反应设备精密制造

欧世盛除了提供流动化学反应系统产品外，还提供更多服务：科研装备设计、研发外包、工艺优化、放大研究、设备工艺研究、精密制造、连续流工艺培训等。专注于过程的可扩展性和研究成果从实验室规模转移到中试工厂规模，提供多种用途的连续自动合成系统和嵌入式模块系统。客户和项目合作伙伴主要来自制药、CXO、精细化工、催化剂、石油石化、新能源、半导体、国防军工、安全等领域。