ACS 線上研討會｜Real-World High-Throughput Experimentation：
以自動化、AI 與數據驅動加速化學研發
High-Throughput Experimentation（HTE，高通量實驗）正在重新定義化學研究與藥物開發的實驗流程。如何從大量平行實驗中快速取得高品質數據，並進一步結合自動化、統計分析與 AI，將實驗數據轉化為可實際應用的化學洞見？
ACS Publications 將於 2026 年 9 月 2 日下午 4 點舉辦線上研討會「Real-World High-Throughput Experimentation (HTE): Bridging the Gap Between Automation & Chemical Insight」，邀請 Roche HTE Lab 的專家分享 HTE 在真實研發環境中的應用、實務案例，以及 AI 如何協助研究人員提升實驗設計與數據分析效率。
🔬 本次研討會三大重點
1. 從實驗需求到研究結果：HTE 的實務應用
📑 講題：From Request to Results: Best Practices and HTE Case Studies
🧑💻 講者：Dr. Georg Wuitschik, Senior Principal Scientist, Roche, RoSL HTE Lab, Switzerland | Dr. Wuitschik 自 2011 年起任職於 Roche，近年參與 Roche HTE 能力的建立與發展，研究背景以有機化學為主，同時投入 HTE 與實驗自動化相關工作。
👉 HTE 的價值並不只是「一次做很多實驗」，更重要的是透過實驗微型化、平行化與自動化，讓研究人員能夠在相同時間內探索更多反應條件與變因，也就是從「做更多實驗」轉向「用更有系統的方法取得更多資訊」。
2. 66,000 次反應的數據分析：從大量實驗找出反應規律
📑 講題：Learning from Data: Z-Score Analysis of 66,000 Reactions
🧑💻 講者：Dr. Marius Lutz, Scientist, Roche, RoSL HTE Lab, Switzerland | Dr. Lutz 任職於 Roche Basel 的 preclinical process research 團隊，專注於運用 HTE 加速小分子藥物研發，研究工作涵蓋實驗室自動化、程式設計，以及大規模自動化反應 plate 的設計與分析。
👉 Roche 團隊利用 Z-score 統計方法分析約 66,000 個 HTE 反應，從大量實驗數據中尋找不同反應條件與反應結果之間的關聯。研究結果顯示，實際由大量 HTE 數據得到的最佳反應條件，可能與傳統文獻或經驗法則所建議的條件存在明顯差異。
3. AI Agent 如何進一步改變 HTE？
📑 講題：What Have AI Agents Ever Done for HTE?
🧑💻 講者：Dr. Marius Lutz
👉 當 HTE 產生大量實驗數據後，下一個挑戰便是：研究人員如何有效理解、分析並運用這些數據？
AI 在此扮演的角色不只是協助自動化，而是可以進一步支援研究人員進行實驗設計、資料分析與結果解讀。
ACS 特別指出，此一 session 將探討 AI 如何協助 HTE 實驗室加速 plate design，以及讓化學研究人員更有效率地處理與分析實驗數據。
📚 延伸閱讀：從 HTE 到數據驅動化學研究
ACS 同時推薦兩項與本次研討會密切相關的研究資源。
Which Reaction Conditions Work on Drug-Like Molecules?
這項研究分析 Roche 內部約 66,000 次 HTE 反應，並利用 Z-score 方法建立數據分析策略，探索 Buchwald–Hartwig 與 Suzuki–Miyaura 等常見交叉偶聯反應的最佳條件。
研究結果顯示，大規模實驗數據所揭示的最佳條件，與傳統文獻指引可能有所不同，也因此能為後續反應最佳化提供更具實證基礎的起始條件。
HTE OS: A High-Throughput Experimentation Workflow Built from the Ground Up
HTE OS 是一套免費、開放原始碼的高通量實驗工作流程，涵蓋從實驗申請、反應規劃、實驗執行，到結果呈現與資料分析的完整流程。
其架構也整合 Google Sheets、Spotfire、LC-MS 資料解析與化學識別碼轉換等工具，協助建立更完整的 HTE data workflow。
若是想要更了解 ACS 出版品或會議資訊，歡迎與我們聯繫。