Die Erforschung instabiler Protocellen durch künstliche Intelligenz führt zu vorhersagbaren Eigenschaften und der Entdeckung kollektiven Verhaltens

Protocell-Modelle werden verwendet, um zu untersuchen, wie Zellen möglicherweise erstmals auf der Erde zusammengesetzt wurden. Einige, wie Öl-in-Wasser-Tropfen, können scheinbar einfache Modelle sein, während sie komplexe und unvorhersehbare Verhaltensweisen zeigen können. Wie solche einfachen Öl-in-Wasser-Systeme zusammenspielen können, um komplexe und lebensähnliche Verhaltensweisen hervorzubringen, bleibt eine Schlüssel Frage. Hier zeigen wir, wie die Kombination aus automatisierten Experimenten und Bildverarbeitung, physicochemischer Analyse und maschinellem Lernen erhebliche Fortschritte im Verständnis der treibenden Kräfte hinter dem Verhalten von Öl-in-Wasser-Tropfen ermöglicht. Durch die Nutzung von über 7.000 Experimenten, die mit einer autonomen Roboterplattform gesammelt wurden, veranschaulichen wir, wie intelligente Automation nicht nur bei der Erkundung, Optimierung und Entdeckung neuer Verhaltensweisen helfen kann, sondern auch grundlegend zum Verständnis solcher Systeme beiträgt. Mit diesem Prozess konnten wir die Tropfenformulierung über vorhergesagte physikalische Eigenschaften mit dem Verhalten in Beziehung setzen und mehr Vorkommen eines seltenen kollektiven Tropfenverhaltens, dem Tropfenschwärmen, identifizieren und vorhersagen. Protonen-NMR-Spektroskopie und qualitative pH-Methoden ermöglichten es uns, das Lösen von Öl, chemische Veränderungen, Phasenübergänge sowie Strömungen von Tropfen und wässriger Phase besser zu verstehen und veranschaulichen die Nützlichkeit der Kombination aus intelligenter Automation und traditionellen analytischen Chemietechniken. Darüber hinaus erweiterten wir unsere Studie zur gleichzeitigen Erkundung sowohl der Öl- als auch der wässrigen Phasen mit einer Roboterplattform. Insgesamt zeigt diese Arbeit, dass die Kombination aus Chemie, Robotik und künstlicher Intelligenz Entdeckungen, Vorhersagen und mechanistische Verständnisse in einer Weise ermöglicht, die kein einzelner Ansatz allein erreichen konnte.