开出"处方"的是 Tetsuwan Scientific，一家旧金山初创公司。[6] 2023 年，Cristian Ponce 和 Théo Schäfer 在一场万圣节派对上相识。[6] 前者在 Caltech 学生物工程，后者在 NASA 喷气推进实验室造机器人。[6] 两人的判断是，实验室自动化缺的是智能，不是更灵巧的机器人。[6, 8] 公司 2024 年拿到 270 万美元 pre-seed 融资，2048 Ventures 领投。[6]
一家给机器人"加智能"的公司
这个难题有半个世纪的历史：1960 年代起，实验室就有能移液、封板、搬运的自动化机器，但大多数生物学实验至今仍是手工。[39] 原因在于实验本质上是动态的：样品数、板型、条件数，每轮都变。[39] 把一种配置翻译成自动化工作流，要自动化工程师花数周到数月。[39] 自动化为什么只在超大规模才划算？因为一个方法跑几十万种化合物的高通量筛选，才摊得薄这笔投入。[39]
Tetsuwan 的产品 ResearchOS 是一个自动化平台：用户用自然语言描述实验，Claude 把协议写成脚本，再由自定义编译器翻译成自动化代码。[39] 没有自动化经验的研究者，几分钟就能跑起一个自动化工作流。[39]
开出"处方"的是 Tetsuwan Scientific，一家旧金山初创公司。
气泡出现时，谁来解决？
Tetsuwan 通过 MHS 接入相机，每次转移都拍照，计算机视觉算法识别气泡和泡沫，Claude 发现错误就介入。[39] 开头那一幕就是这样发生的：机械臂除不掉气泡，所以 ResearchOS 通过 MHS 找到能帮忙的设备，Claude 再通过 MHS 直接向离心机下令。[39]
这层编排还让协议保持硬件无关：协议只写"以一定离心力离心五分钟"，不点名设备型号。[39] ResearchOS 用 MHS 在网络里找到兼容的离心机、读它的驱动接口，Claude 再把离心力换算成那台机器接受的转速参数。[39] 协议作者怎么知道用的是哪台离心机？答案是：不需要知道。[39]
2023 年，Cristian Ponce 和 Théo Schäfer 在一场万圣节派对上相识。
9143 次分液，给编译器上课
Tetsuwan 还用 Claude 给自家编译器做闭环优化。[39] 他们把 qPCR 协议编译成覆盖各种配置的工作列表，在机器人上实测各类液体转移，用示踪染料测准确度。[39] 每轮结束，Claude 通过 MHS 从读板机取回数据，分析、可视化，再给编译器的转移精度模型提修改建议。[39]
规模不小：9143 次分液、300 种转移类型、1508 个测量条件、4 种液体。[39] 结果也站得住：留出实验上，优化后的模型预测精密度比厂商技术规格准约 12%，45 次运行赢了 31 次（p≈0.001）。[39] 在重复最多的数据上，优势扩大到约 17%。[39]
溪水给出了什么答案？
测试的实验对象，是加州 Pacifica 的 San Pedro Creek。这里的粪便污染数十年来一直处于危险水平 [39]，溪水和海滩因指示菌超标被列入《清洁水法》303(d) 受损水体名单 [11]。入海口的 Linda Mar 海滩是加州最脏海滩之一，85% 的水样粪便指示菌超标 [15]。
Tetsuwan 用 qPCR 扩增宿主特异性的细菌 DNA 片段，分辨污染来自人、马、鸟还是狗。[39] 初步结果：通用 16S 标记检出大肠杆菌，AllBac 引物检出 Bacteroides，但宿主特异性标记里只有人源的 HF183 和 BacH 清晰扩增。[39] 这印证了当地流域联盟多年的判断——人类是主要污染源 [39]；外部调查同样指向人源粪便污染，疑似源头是渗漏的污水管网 [15]。
当然，Tetsuwan 强调这些只是早期测试，下一步是定量评估污水中人源 Bacteroides 的浓度。[39] 但他们相信，MHS 带来的设备集成、编排和实时纠错，正在填平硬件、科学家和模型之间的鸿沟。[39]