Google-KI-Agenten führen Laborexperimente selbstständig durch

In einem Nasslabor bewegt ein Pipettierroboter Reagenzien von der Röhre in die Platte, erfasst, wie viel Flüssigkeit in jeder Vertiefung noch vorhanden ist, und führt molekularbiologische Protokolle Schritt für Schritt aus. Google Research erklärt, dass heutige KI-Spitzenmodelle dreidimensionale Geometrie und physikalische Zustände nach wie vor nicht zuverlässig erfassen und diese Lücke verhindert, dass ein Agent diesen Roboter eigenständig steuert. Der Blogbeitrag beschreibt drei Projekte, die diese Lücke schließen sollen.

Das erste, VERID (VERified Infrastructure for Discovery Laboratories), ist ein digitaler Zwilling der Laborarbeitszelle: ein Live-3D-Modell mit Zustandsverwaltung, das den Roboterarm, das Volumen in jeder Vertiefung, die Identität der Reagenzien und den Bestand an Pipettenspitzen verfolgt. Google Research weist darauf hin, dass ein Befehl gültiger Code sein und dennoch physikalisch unmöglich sein kann, etwa wenn eine 8-Kanal-Pipette, ein Kopf mit acht gleichzeitig arbeitenden Spitzen, in einen Trog abgesenkt wird, der dafür zu flach ist. Ein Agent kann in Sekunden einen virtuellen Testlauf durchführen, um Kollisionen oder leere Vertiefungen zu erkennen, bevor Reagenzien berührt werden. Hardwareprüfungen blockieren zudem ungültige Befehle, bevor sie den Roboter erreichen. Das System basiert auf PyLabRobot, einem Open-Source-Framework, und zeichnet bei jedem Lauf synchronisierte Videos und Aktionsprotokolle auf.

Das zweite Projekt testet den gesamten Kreislauf. Aptamere sind kurze DNA-Stränge, die ein Zielprotein binden. Ein vollständiger Zyklus aus Entwurf, Test und Analyse dauert nur 7–10 Tage, weil DNA chemisch in gepoolten Bibliotheken synthetisiert und direkt per Sequenzierung ausgelesen werden kann. Agenten entwarfen Kandidatensequenzen, prüften sie auf magnetischen Kügelchen gegen Zielproteine, um die bindenden zu isolieren, und sequenzierten die Ergebnisse, um die nächste Runde zu speisen. Über drei Runden an zwei Zielen, Myoglobin und α-Thrombin, stiegen die bestätigten Trefferquoten am Zielprotein auf 33,5 % beziehungsweise 42,1 %.

Jedes Ziel verbarg einen anderen Fehler im Nasslabor. Bei α-Thrombin ergab Runde 1 0 % Binder, weil feste Primer-Überhänge, also die zusätzlichen Sequenzenden, die an jeden Strang angefügt werden, die Faltung bei 48 % der Sequenzen störten. Geklemmte flankierende Stämme in Runde 2 und anschließend diversifiziertere Entwürfe in Runde 3 hoben die Trefferquote auf 26,0 % und dann auf 42,1 % bei 98,5 % Spezifität. Bei Myoglobin drängten Agenten in Runde 2, die die rohe Bindungsaffinität priorisierten, G-Quadruplex-Motive, ein DNA-Faltungsmuster, auf 63 % der Entwürfe. Die Rohwerte der Anreicherung im Pull-down stiegen, doch die Labordaten zeigten, dass die meisten dieser Binder nicht spezifisch für das Zielprotein waren.

Dies sind Ergebnisse von Google Research selbst, aus zwei Proteinzielen über drei Runden, und der Beitrag berichtet über keine unabhängige Replikation. Das Team stellt fest, dass Rechenmodelle empirische Validierung nicht ersetzen können, weshalb Agenten reale experimentelle Messwerte benötigen. Die Fallstudien von VERID sind Demonstrationen, kein Produkt. Für eine Forschungsgruppe, die Biomarker- oder Wirkstoffscreenings durchführt, verspricht das schnellere Iterationen: ein Zyklus von 7–10 Tagen, mit einem Roboter, der seine eigenen Schritte prüft, bevor er sie ausführt. Der Beitrag nennt weder Datum, Preis noch Zugangsplan für eines der beiden Systeme und sagt nicht, wann Agenten solche Experimente außerhalb der Forschung von Google durchführen werden. Das erklärte Ziel ist, dass Agenten künftig biologisches Signal von experimentellem Rauschen über viele Kandidaten hinweg parallel trennen.