20多类仪器、11,382次硬件操作，最终读回一句写进DNA的英文。在上海交通大学团队搭建的实验室里，AI智能体把用户的文字请求拆成任务，生成代码，调动机械臂和移液模块，完成了一次真实的DNA数据读写。
这套系统名叫AutoDNA，相关研究发表于Nature。论文题为《An AI-native experimental laboratory for autonomous biomolecular operations》，由Mingyu Wu等研究者完成，展示了从实验规划到仪器执行的完整链路。
AutoDNA 实验平台与工作站实景（图源：Wu等，Nature，AutoDNA论文）
一条文字指令，怎样走进实验台
AutoDNA的分工像一支实验团队。规划智能体负责接收请求、安排任务；文献智能体查资料，试剂智能体核对库存，方案智能体设计流程。代码智能体把方案转成程序，硬件智能体组织执行，假设智能体依据实验反馈提出下一轮调整。
规划智能体协调六类专职智能体及底层仪器（图源：Wu等，Nature，AutoDNA论文）
连接模型与设备的是一套“操作词典”，论文称为硬件抽象层。代码智能体读取仪器说明，把复杂功能整理成可调用的“原子服务”。例如移液器对应转移液体与混匀，模型据此编排动作，底层控制系统再驱动具体设备。
团队还改造了测序仪的物理接口。纳米孔测序芯片原有的翻盖换成机械臂可垂直抓取的定制盖板；相机定位直径约2毫米的加样口，移液模块完成上样。方法部分报告，移液模块的分液精度为0.1微升。
机械臂、定制盖板与机器视觉支持自动测序（图源：Wu等，Nature，AutoDNA论文）
生成的程序先在模拟环境中接受检查。系统跟踪容器液量等状态，识别语法、接口调用与基本状态管理错误，再根据报错修改代码。研究使用Gemini 2.5 Pro构建智能体，文献检索环节另调用Gemini 2.5 Flash。
人员与系统的接口也有明确安排。试剂和耗材由人员补充，废弃物定期清理；需要人工判读的步骤，例如PAGE凝胶分析，可通过界面回填分析结果，再交回规划智能体继续后续流程。
AutoDNA 用户界面与智能体任务进度（图源：Wu等，Nature，AutoDNA论文）
从核酸检测，做到自己调整合成条件
第一项演示是基于RPA等温扩增的核酸检测。用户规定每5分钟读取一次荧光、每个样本共读取6次，并给出阳性判定标准。系统据此生成试剂混合、孵育与读数流程，协调机械臂、封盖器、移液器、温控设备和荧光仪。
执行过程中，智能体补出了孵育时需要封管的操作，并修复了漏写试剂转移步骤的代码。论文报告，在相同样本的3次独立实验中，自动与人工操作的荧光读数未见统计学显著差异，样本阳性判定一致。
核酸检测的自动执行流程与人工操作对照（图源：Wu等，Nature，AutoDNA论文）
随后，团队让AutoDNA优化酶法DNA合成，同时追求高产率与短耗时。这项工艺像逐字拼接字符串：每轮加上一个碱基，再移除保护基团，继续延长。系统依次探索洗涤缓冲液、表面活性剂、酶与反应物浓度，以及孵育和洗涤时间。
酶法 DNA 合成的迭代优化、凝胶与测序结果（图源：Wu等，Nature，AutoDNA论文）
仪器被占用，系统重新排班
同一套实验室还可以并行处理多个方案。在4个酶法DNA合成方案的测试中，系统合并控制程序，把可并行的移液、脱保护和洗涤操作一起安排。平均总耗时从顺序执行的1,433.7分钟缩短至454.0分钟，论文报告约3.2倍的加速。
另一项测试模拟3位用户同时提交不同实验。建库需要的加热器被DNA加尾任务占用后，系统改写代码，改用空闲的热循环仪完成该等温步骤。相较于串行排队，这组任务的平均总完工时间缩短了115.1分钟。
多实验并发调度、仪器替换与执行时间对比（图源：Wu等，Nature，AutoDNA论文）
把一句话写进DNA，再完整读回来
数据存储演示从一句英文开始：“Intelligence is the ability to adapt to change”。用户先要求把它写进DNA，再要求读取此前保存的句子。系统将文字编码为核酸序列，调用先前优化并存入文献库的合成方案，进入湿实验流程。
编码和解码在计算机里完成，合成、纯化、保存与测序由实验平台衔接。中间还要进行DNA加尾、扩增和测序文库制备。硬件智能体既调用真实仪器，也调用执行Python程序的虚拟计算设备，把计算与实验接在一起。
DNA 数据从编码、合成到测序和解码的完整流程（图源：Wu等，Nature，AutoDNA论文）
一次完整读写历时203.5小时，累计11,382次硬件操作。论文将一次原子服务调用计为一步。其中DNA合成占9,820步。系统监测试剂与耗材余量，短缺时暂停并提醒技术人员补充，废弃物则先集中转移，再由人员清理。
DNA 存储的比特恢复率、产率与错误类型（图源：Wu等，Nature，AutoDNA论文）
找到肿瘤样本里的突变，再合成检测引物
另一项演示使用来自复旦大学附属肿瘤医院的结直肠癌组织样本。进入AutoDNA前，人员已提取基因组DNA并预扩增目标片段。样本序列对系统未知，系统接到的任务是定位突变，再合成能够检测该突变的引物。
AutoDNA把任务拆成5个阶段：测序、定位突变、设计引物、合成引物和检测验证。它先完成纳米孔测序，再将数据与hg38参考基因组比对，定位变异，设计等位基因特异性PCR引物，随后调用酶法合成流程制备引物。
从样本测序、定位突变到合成引物的五阶段流程（图源：Wu等，Nature，AutoDNA论文）
系统识别出KRAS G13D突变，与该样本既有临床检测结果一致。用自主设计合成的引物进行扩增后，突变样本的荧光高于野生型和无模板对照；这项验证独立重复3次，合成引物首次即通过验证。
KRAS 突变定位、引物凝胶与扩增验证结果（图源：Wu等，Nature，AutoDNA论文）
这些演示把AI智能体的任务延伸到了真实实验台。用户给出目标后，系统组织方案、生成控制程序、执行仪器操作，再将结果用于后续调整；论文中的临床样本工作属于技术可行性演示，并未报告人群层面的诊断性能。
作者将下一步方向指向更高性能仪器、可移动的试剂物流机器人，以及更完善的文献检索系统。在这项研究已经完成的流程里，实验请求沿着智能体、代码和设备逐级落地，最终返回DNA序列、检测引物与可核验的实验读数。