Nitrificatieremmers zijn van vitaal belang voor het verhogen van de gewasopbrengst en het verminderen van stikstofemissies uit de landbouw. De huidige remmers zijn echter beperkt effectief, schadelijk voor aquatische ecosystemen en riskeren uitfasering, waardoor er dringend behoefte is aan nieuwe, duurzame alternatieven. Het SMART-N project stelt een revolutionaire aanpak voor om nieuwe remmers te ontdekken door middel van een zelfsturend labo met hoge doorvoer dat computationele chemie, artificiële intelligentie en robotica integreert. Centraal in deze aanpak staat de creatie van een digitale assistent die molecuulselectie vergemakkelijkt met een holistisch virtueel screeningplatform getraind op historische data. Dit platform evalueert potentiële remmers in silico en gebruikt een deep-learning-algoritme om moleculen te rangschikken op basis van voorspelde bioactiviteit, fysicochemische eigenschappen en (eco)toxicologische profielen. Kandidaten worden vervolgens in vitro gevalideerd in een closed-loop-optimalisatieproces dat wordt gecoördineerd met de digitale assistent om het scoringsalgoritme en de resultaten iteratief te verfijnen. De methodologie omvat de effectiviteit van de remming, het opschalingspotentieel en de levenscyclusanalyse, waardoor milieuvriendelijke remmers kunnen worden ontworpen met een lage experimentele belasting. Door ecologische parameters te integreren in de ontwerpfase, versnelt SMART-N de ontdekking van moleculen en bevordert het duurzame landbouw.