Beide Fassungen sind Block für Block ausgerichtet, in der Reihenfolge des Textes: Titel, das Wesentliche, dann Absatz für Absatz. Wo die Übersetzung einen Absatz zusammengezogen oder geteilt hat, bleibt das entsprechende Feld leer — wir stellen niemals zwei Passagen nach Gefühl nebeneinander.
In a wet lab, a liquid-handling robot moves reagents from tube to plate, tracks how much liquid is left in each well and runs molecular biology protocols step by step. Google Research says today's frontier AI models still do not reason reliably about three-dimensional geometry and physical state, and that gap keeps an agent from running that robot on its own. Its blog post describes three projects aimed at closing it.
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.
The first, VERID (VERified Infrastructure for Discovery Laboratories), is a digital twin of the lab workcell: a live, stateful 3D model that tracks the robotic arm, the volume in each well, the reagent identities and the pipette-tip inventory. Google Research notes that a command can be valid code and still be physically impossible, such as lowering an 8-channel pipette, a head with eight tips working at once, into a trough too short for it. An agent can run a virtual dry run in seconds to catch collisions or empty wells before touching reagents, and hardware checks block invalid commands before they reach the robot. The framework is built on PyLabRobot, an open-source framework, and records synchronized video and action logs for every run.
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.
The second project tests the whole loop. Aptamers are short DNA strands that bind a target protein, and a full design-test-analyze cycle takes just 7–10 days, because DNA can be chemically synthesized in pooled libraries and read out directly by sequencing. Agents designed candidate sequences, screened them against target proteins on magnetic beads to isolate those that bind, and sequenced the results to feed the next round. Across three rounds on two targets, myoglobin and α-thrombin, confirmed on-target hit rates rose to 33.5% and 42.1%, respectively.
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 %.
Each target hid a different wet-lab failure. On α-thrombin, Round 1 produced 0% binders, because fixed primer overhangs, the extra sequence tails added to each strand, disrupted folding in 48% of sequences. Clamped flanking stems in Round 2, then more diversified designs in Round 3, lifted the hit rate to 26.0%, then 42.1% at 98.5% specificity. On myoglobin, agents that prioritized raw binding affinity in Round 2 pushed G-quadruplex motifs, a DNA folding pattern, to 63% of designs. Raw pull-down rose, but the lab data showed most of those binders were not specific to the target.
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.
These are Google Research's own results, from two protein targets over three rounds, and the post reports no independent replication. The team states that computational models cannot replace empirical validation, which is why agents need real experimental readouts. VERID's case studies are demonstrations, not a product. For a research group running biomarker or drug screens, the promise is faster iteration: a cycle of 7–10 days, with a robot that checks its own moves before running them. The post gives no date, price or access plan for either system, and it does not say when agents will run such experiments outside Google's research. Its stated aim is for agents to eventually separate biological signal from experimental noise across many candidates in parallel.
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.