Technické

Chemické inženýrství očima programátora: Hurá do laboratoře - laboratorní vývoj

Chemická reakce popsaná v článku nebo patentu ještě nemusí fungovat v reálné laboratoři. Třetí díl seriálu ukazuje, jak se výrobní cesta experimentálně ověřuje, analyzuje a postupně mění v bezpečný, reprodukovatelný a robustní proces

Daniel Kopecký

22 Jul 2026 — 11 min read

Předchozí: Hledání cesty | Seriál: Chemické inženýrství očima programátora | Další: Když se experiment mění v model

Tento díl je součástí seriálu o tom, jak vzniká chemická technologie od prvního nápadu až po fungující provoz. Navazuje na předchozí kroky a soustředí se na téma: laboratorní vývoj a ověření reakce.

Tým v předchozí fázi vybral jednu nebo několik perspektivních reakčních cest. Nyní musí ověřit, zda fungují nejen na papíře nebo podle odborné literatury, ale také ve skutečnosti.

Experimentální vývoj patří k nejnáročnějším a nejméně předvídatelným částem vzniku chemické technologie. Spotřebovává čas, chemikálie, laboratorní kapacity i práci zkušených výzkumníků, přičemž výsledek zůstává dlouho nejistý. Reakce popsaná v článku nebo patentu nemusí být snadno reprodukovatelná, může fungovat pouze za velmi specifických podmínek nebo může poskytovat produkt v kvalitě, která je pro další využití nedostatečná.

Na začátku se vybrané reakční cesty ověřují ve velmi malém laboratorním měřítku — často doslova „v baňce“, jindy v tlakové nádobě, mikroreaktoru nebo jiném laboratorním zařízení. Prvním cílem ještě není dokonale optimalizovaný proces. Tým se musí nejdříve naučit danou sloučeninu vůbec spolehlivě připravit, potvrdit její identitu a zjistit, zda je zvolený postup reprodukovatelný.

V prvních experimentech se obvykle sleduje především, zda reakce probíhá, jaké dosahuje konverze, výtěžku a selektivity a zda vzniká očekávaný produkt. Zaznamenávají se však také zdánlivě obyčejná kvalitativní pozorování: změny barvy a skupenství, zahřívání směsi, tvorba plynů, srážení pevných částic, pěnění, změny viskozity nebo neobvyklý zápach. Právě tyto projevy mohou upozornit na vedlejší reakce, rozklad, bezpečnostní rizika nebo budoucí problémy při zvětšování měřítka.

Důležitou součástí experimentu není pouze samotná reakce, ale také zpracování reakční směsi. Produkt je nutné oddělit, vyčistit, vysušit a analyzovat. Postup, který poskytne vysoký výtěžek, ale vyžaduje několik složitých separačních operací nebo vytváří obtížně odstranitelné nečistoty, nemusí být pro průmyslovou výrobu vhodný.

Výstupem prvních laboratorních pokusů proto není hotová technologie, ale důkaz, že zvolená chemická cesta může fungovat, a první soubor poznatků o jejím chování, omezeních a rizicích. Teprve poté může začít systematické hledání podmínek, za kterých bude reakce dostatečně výkonná, bezpečná a reprodukovatelná.

Analytické metody

Jakmile se podaří reakci alespoň základně reprodukovat, začíná se stále větší pozornost věnovat analytickým metodám. Ty se často vyvíjejí už souběžně s prvními experimenty, protože pro další vývoj je zásadní zjistit, co při reakci skutečně vzniká a v jakém množství.

Nestačí totiž pouze izolovat látku, která na první pohled vypadá jako očekávaný produkt. Je potřeba potvrdit její identitu, určit její čistotu a zjistit, jaké další sloučeniny jsou v reakční směsi přítomné. Vedle požadovaného produktu mohou vznikat nezreagované suroviny, meziprodukty, vedlejší produkty nebo produkty rozkladu. Některé z těchto nečistot mohou být přítomné jen ve stopovém množství, přesto mohou zásadně ovlivnit bezpečnost procesu, stabilitu produktu nebo možnost jeho dalšího použití.

Podle charakteru směsi se používají například chromatografické, spektroskopické nebo titrační metody. V praxi může jít o kapalinovou či plynovou chromatografii, hmotnostní spektrometrii, NMR, infračervenou spektroskopii nebo jednodušší provozní analýzy. Každá metoda musí být dostatečně selektivní, citlivá a reprodukovatelná, aby bylo možné porovnávat jednotlivé experimenty.

Dobrá analytická metoda umožní sestavit materiálovou bilanci reakce: kolik suroviny se spotřebovalo, kolik požadovaného produktu vzniklo a kam se podíval zbytek materiálu. Teprve díky tomu lze rozlišit konverzi, výtěžek a selektivitu a začít systematicky hledat příčiny neúspěchu.

Analytika tedy není pouze závěrečnou kontrolou hotového produktu. Je jedním z hlavních nástrojů vývoje. Bez spolehlivého měření by tým optimalizoval reakci téměř naslepo a mohl by zlepšení pouze zdánlivě přisuzovat změně teploty, času nebo množství katalyzátoru, přestože skutečnou příčinou byla například chyba odběru vzorku nebo nestabilita analytické metody.

Podmínky reakce

Jakmile se tým naučí produkt připravit a spolehlivě analyzovat, může přejít k detailnějšímu popisu reakce. Cílem této fáze je pochopit, jak reakce probíhá, které parametry ji ovlivňují a za jakých podmínek poskytuje požadovaný produkt s dostatečnou rychlostí, výtěžkem a selektivitou.

Systematicky se proto mění teplota, tlak, koncentrace a poměr výchozích látek, druh rozpouštědla, množství a typ katalyzátoru, rychlost dávkování, intenzita míchání nebo doba reakce. V pravidelných časových intervalech se odebírají vzorky a měří se složení reakční směsi. Díky tomu lze sestavit reakční profil: sledovat úbytek výchozích látek, vznik meziproduktů a produktu i postupnou tvorbu nečistot. Taková data umožňují určit konverzi, výtěžek a selektivitu a vytvořit první kinetický model reakce.

Současně se zkoumají vedlejší reakce a podmínky, které je podporují. Některé nečistoty mohou vznikat pouze při příliš vysoké teplotě, dlouhé době zdržení, nevhodném pořadí dávkování nebo při přebytku některé ze surovin. Jiné mohou vzniknout až při následném chlazení, neutralizaci nebo zpracování reakční směsi. Smyslem tedy není pouze najít podmínky s nejvyšším výtěžkem, ale také určit bezpečné a dostatečně robustní pracovní rozmezí, ve kterém reakce poskytuje opakovatelný výsledek.

Podle významu procesu se tým snaží sestavit také pravděpodobnou reakční síť a pochopit hlavní mechanismy vzniku produktu a nečistot. Úplný molekulární mechanismus však často není nutné ani možné detailně objasnit. Pro další návrh technologie je důležitější vytvořit dostatečně přesný a experimentálně ověřený popis toho, jak rychlost a selektivita reakce závisejí na provozních podmínkách.

Jednotlivé parametry lze měnit postupně, modernější přístup však využívá statistické plánování experimentů neboli Design of Experiments. To umožňuje měnit několik faktorů současně, odhalovat jejich vzájemné interakce a získat více informací z menšího počtu pokusů. DoE se proto běžně využívá při optimalizaci chemických procesů i při přípravě jejich pozdějšího zvětšení do průmyslového měřítka.

Bezpečnost reakce

Současně s optimalizací je nutné zjišťovat, zda lze reakci bezpečně provozovat. Zvláštní pozornost vyžadují exotermické reakce, práce za zvýšeného tlaku, vznik plynů, používání nestabilních meziproduktů nebo možnost nekontrolovaného rozkladu reakční směsi.

Tým proto sleduje nejen požadované chemické přeměny, ale také množství uvolňovaného tepla, rychlost tvorby plynů a chování směsi při odchylkách od běžných podmínek. Zkoumá se například, co se stane při výpadku chlazení, příliš rychlém dávkování suroviny, poruše míchání nebo delším zahřívání směsi.

K tomu mohou sloužit reakční kalorimetrie, diferenční skenovací kalorimetrie a další metody termické analýzy. Jejich cílem není jen zjistit, zda je reakce nebezpečná, ale především určit podmínky, za kterých ji lze řídit a bezpečně zastavit.

Bezpečnost nelze odložit až na návrh průmyslového zařízení. Reakce, která je zvládnutelná v malé baňce, může po zvětšení měřítka uvolňovat takové množství tepla nebo plynu, že její průmyslové provedení nebude možné bez zásadní změny postupu.

Od reakce k izolovanému produktu

Samotná chemická reakce představuje pouze jednu část výrobního postupu. Po jejím skončení zůstává směs obsahující produkt, rozpouštědlo, nezreagované suroviny, katalyzátor, vedlejší produkty a další pomocné látky. Produkt je z této směsi nutné oddělit a vyčistit.

Výzkumný tým proto současně vyvíjí způsob zpracování reakční směsi. Může jít například o destilaci, extrakci, filtraci, krystalizaci, srážení, promývání, neutralizaci nebo sušení. Jednotlivé kroky se často opakovaně upravují, protože změna reakčních podmínek může ovlivnit také chování produktu při následné separaci.

Právě zde se může ukázat, že chemicky nejlepší reakce není nejlepší výrobní cestou. Varianta s o něco nižším výtěžkem může být ve výsledku výhodnější, pokud poskytuje čistší směs a umožňuje jednoduché oddělení produktu. Naopak vysoký výtěžek ztrácí význam, jestliže produkt nelze ekonomicky vyčistit nebo se při izolaci významná část znehodnotí.

U pevných produktů se navíc sledují vlastnosti částic, jako je velikost, tvar, filtrační schopnost, obsah rozpouštědel nebo stabilita krystalické formy. Zvláště ve farmacii může mít zvolený způsob krystalizace zásadní vliv na vlastnosti výsledné účinné látky.

Reprodukovatelnost a robustnost

Cílem laboratorního vývoje není pouze nalézt jeden experiment s výborným výsledkem. Proces musí poskytovat srovnatelný výsledek opakovaně a nesmí být příliš citlivý na malé, v praxi nevyhnutelné odchylky.

Tým proto experimenty opakuje a zkoumá, jak reakci ovlivňují změny kvality surovin, obsahu vody, rychlosti dávkování, účinnosti míchání nebo přesnosti regulace teploty. Sleduje také stabilitu katalyzátoru a možnost hromadění nečistot při recyklaci některých proudů.

Postup, který funguje pouze při přesném dodržení úzkého souboru laboratorních podmínek, může být pro skutečnou výrobu příliš křehký. Výstupem by proto neměl být jediný optimální bod, ale pracovní oblast, ve které proces zůstává bezpečný, stabilní a poskytuje produkt v požadované kvalitě.

Součástí této práce je také identifikace kritických parametrů procesu. Některé veličiny mohou výsledek ovlivňovat jen minimálně, zatímco malá změna jiných způsobí prudký pokles výtěžku, vznik nečistoty nebo bezpečnostní problém. Právě tyto kritické parametry bude později nutné přesně měřit a řídit.

Co je vstupem a výstupem laboratorního vývoje

Vstupem do laboratorního vývoje je jedna nebo několik perspektivních reakčních cest, dostupné informace z literatury a patentů, požadovaná specifikace produktu a základní technická, ekonomická a bezpečnostní omezení.

Výstupem není pouze laboratorní recept na přípravu produktu. Měl by vzniknout ucelený soubor znalostí zahrnující:

ověřenou reakční a separační cestu,
spolehlivé analytické metody,
materiálovou bilanci,
popis reakční kinetiky a hlavních vedlejších reakcí,
kritické procesní parametry,
bezpečné a robustní pracovní rozmezí,
postup izolace a čištění produktu,
informace potřebné pro zvětšení měřítka,
přehled zbývajících nejistot a rizik.

Teprve na základě těchto informací lze rozhodnout, zda má smysl proces převést do většího zařízení, nebo zda je potřeba vrátit se k výběru jiné reakční cesty.

Kde může pomoci software

Laboratorní vývoj vytváří velké množství různorodých dat. Ke každému experimentu patří použité suroviny a jejich šarže, přesný postup, pořadí a rychlost dávkování, naměřené teploty a tlaky, analytické výsledky, pozorování výzkumníka i způsob následného zpracování produktu.

Výzkumníci si obvykle vedou vlastní laboratorní deníky, tabulky a složky s naměřenými daty. Problém tedy často nespočívá v tom, že by informace neexistovaly, ale že jsou rozptýlené mezi různými lidmi, dokumenty, přístroji a formáty. Výsledky chromatografie mohou být uloženy v softwaru analytického přístroje, provozní údaje v tabulce, postup v laboratorním deníku a závěry experimentu v prezentaci. Později je obtížné tyto informace propojit, porovnávat a znovu použít.

Softwarový pohled proto přináší především strukturu, dohledatelnost a společný kontext. Každý experiment lze popsat jako strukturovaný záznam propojující jeho cíl, použitý postup, suroviny, naměřená data, analytické výsledky, výpočty a závěry. Elektronický laboratorní deník pak nemusí být pouze digitální náhradou papírového sešitu, ale centrálním místem, ze kterého lze zpětně rekonstruovat celý průběh vývoje.

Programy mohou automaticky zpracovávat analytická data, počítat materiálové bilance, vytvářet reakční profily a porovnávat jednotlivé experimenty. Mohou také upozornit na chybějící údaje, neobvyklé hodnoty nebo porušení předem definovaných pravidel. Výzkumník díky tomu nemusí při každém pokusu ručně kopírovat data mezi několika tabulkami a větší část času může věnovat jejich interpretaci.

Dalším přínosem je automatizace laboratorních zařízení. Místo ručního zapisování několika hodnot lze průběžně zaznamenávat teplotu, tlak, průtoky, otáčky míchadla, dávkování surovin nebo výkon chlazení. Experiment se tím stává lépe reprodukovatelným a zároveň vznikají časové řady použitelné pro tvorbu kinetických a procesních modelů.

Ze softwarového vývoje lze převzít také verzování, automatické testy a přesnou dohledatelnost původu dat. U každého výsledku by mělo být možné zjistit, ze kterého experimentu pochází, jakým způsobem byl vypočítán a jaká verze analytické metody, skriptu nebo modelu byla použita. Znalosti tak nezůstávají pouze v hlavách jednotlivých výzkumníků, ale stávají se součástí společného a dále rozvíjeného systému.

Kde může pomoci AI

AI může pomáhat s vyhodnocováním výsledků, hledáním vztahů mezi velkým počtem proměnných a plánováním dalších experimentů. Na základě dosavadních dat může navrhnout podmínky, jejichž ověření přinese nejvíce nové informace, nebo doporučit oblasti, ve kterých by se mohl nacházet lepší kompromis mezi výtěžkem, selektivitou, dobou reakce a množstvím vznikajících nečistot.

Může také procházet laboratorní záznamy, porovnávat podobné experimenty, shrnovat dosavadní poznatky a upozorňovat na neobvyklé výsledky. Výzkumník se například může zeptat, při kterých pokusech vznikala určitá nečistota, jaké podmínky vedly k problémům s filtrací nebo zda se zhoršení výtěžku shoduje se změnou šarže některé suroviny. To však předpokládá, že jsou laboratorní data dostatečně strukturovaná a propojená. AI nedokáže spolehlivě pracovat s informacemi, které jsou neúplné, nejednoznačně popsané nebo uložené bez potřebného kontextu.

Dalším krokem jsou takzvané autonomní neboli samořídicí laboratoře. V nich je algoritmus propojen s automatizovaným zařízením a analytickými přístroji do uzavřeného cyklu. Systém navrhne experiment, laboratorní robot jej provede, analytika změří výsledek a model na jeho základě vybere další pokus. Podobné systémy již dokázaly autonomně optimalizovat chemické reakce, plánovat a provádět syntézy nebo hledat podmínky pro přípravu nových materiálů.

Nejde přitom pouze o futuristickou představu. Současné systémy již dokážou kombinovat vyhledávání informací, tvorbu experimentálního plánu, výpočty, ovládání laboratorního vybavení a interpretaci výsledků. Jejich možnosti jsou však zatím většinou omezené na přesně vymezený typ úlohy, konkrétní zařízení a předem definovaný prostor bezpečných podmínek. Nejsou univerzálním robotickým chemikem, kterému lze bez další přípravy zadat libovolný výzkumný problém.

Právě zde se však nachází obrovský prostor pro zrychlení a zefektivnění vývojové práce. Řada laboratorních činností je opakovatelná: příprava vzorků, dávkování, odběr, analýza, přenos dat a základní vyhodnocení. Jejich automatizace může umožnit provádět více experimentů, pracovat nepřetržitě, přesněji dodržovat postupy a současně omezit spotřebu materiálu při hledání vhodných podmínek.

To však neznamená, že lze experimentální vývoj jednoduše předat autonomnímu algoritmu. AI může nalézt statistickou souvislost, aniž by rozuměla jejímu fyzikálnímu nebo chemickému původu. Může navrhnout podmínky, které jsou matematicky zajímavé, ale prakticky nebezpečné, technologicky neproveditelné nebo založené na chybně naměřených datech.

Největší hodnotu proto přináší kombinace automatizovaného experimentu, fyzikálních a chemických modelů, kvalitně strukturovaných dat a zkušeného výzkumníka. Software vytváří infrastrukturu a zajišťuje reprodukovatelnost, AI pomáhá vybírat další kroky a člověk určuje směr výzkumu, posuzuje rizika a interpretuje jeho význam. AI může cestu k poznání výrazně zrychlit, ale experiment zůstává místem, kde se každá hypotéza musí střetnout s realitou.

Závěr a další krok

V tomto dílu jsme se věnovali tématu: laboratorní vývoj a ověření reakce. Ukázali jsme si, jaké otázky, rozhodnutí a výstupy tato část vývoje přináší. V dalším dílu na to navážeme tématem Když se experiment mění v model, kde se posuneme o krok dál směrem k fungující technologii.