Agentes de IA de Google realizan experimentos en bucle cerrado

En un laboratorio húmedo, un robot de manejo de líquidos traslada reactivos de tubo a placa, controla cuánto líquido queda en cada pocillo y ejecuta protocolos de biología molecular paso a paso. Google Research afirma que los modelos de IA de vanguardia actuales aún no razonan de forma fiable sobre la geometría tridimensional y el estado físico, y esa carencia impide que un agente maneje ese robot por sí solo. Su entrada de blog describe tres proyectos destinados a cubrir esa brecha.

El primero, VERID (infraestructura verificada para laboratorios de descubrimiento, por sus siglas en inglés), es un gemelo digital de la celda de trabajo del laboratorio: un modelo 3D vivo y con estado que sigue el brazo robótico, el volumen de cada pocillo, la identidad de los reactivos y el inventario de puntas de pipeta. Google Research señala que un comando puede ser código válido y, aun así, físicamente imposible, como bajar una pipeta de 8 canales, un cabezal con ocho puntas que trabajan a la vez, a una cubeta demasiado corta para ella. Un agente puede hacer una simulación en seco virtual en segundos para detectar colisiones o pocillos vacíos antes de tocar los reactivos, y las comprobaciones de hardware bloquean los comandos no válidos antes de que lleguen al robot. El sistema se basa en PyLabRobot, un marco de código abierto, y registra vídeo sincronizado y registros de acciones de cada ejecución.

El segundo proyecto prueba el ciclo completo. Los aptámeros son cadenas cortas de ADN que se unen a una proteína diana, y un ciclo completo de diseño, prueba y análisis dura solo 7–10 días, porque el ADN puede sintetizarse químicamente en bibliotecas agrupadas y leerse directamente mediante secuenciación. Los agentes diseñaron secuencias candidatas, las cribaron frente a proteínas diana con perlas magnéticas para aislar las que se unen y secuenciaron los resultados para alimentar la ronda siguiente. Tras tres rondas sobre dos dianas, la mioglobina y la alfa-trombina, las tasas de acierto confirmadas sobre el objetivo subieron al 33,5 % y al 42,1 %, respectivamente.

Cada diana ocultaba un fallo distinto de laboratorio húmedo. En la alfa-trombina, la ronda 1 produjo 0 % de aptámeros de unión, porque las colas fijas de cebadores, las secuencias adicionales añadidas a cada hebra, alteraron el plegado en el 48 % de las secuencias. Los tallos flanqueantes fijados en la ronda 2 y, después, diseños más diversificados en la ronda 3 elevaron la tasa de acierto al 26,0 % y luego al 42,1 % con una especificidad del 98,5 %. En la mioglobina, los agentes que priorizaron la afinidad bruta de unión en la ronda 2 llevaron los motivos G-cuádruplex, un patrón de plegado del ADN, al 63 % de los diseños. La captura bruta aumentó, pero los datos del laboratorio mostraron que la mayoría de esos aptámeros no eran específicos del objetivo.

Estos son resultados propios de Google Research, obtenidos con dos dianas proteicas a lo largo de tres rondas, y la publicación no informa de ninguna replicación independiente. El equipo afirma que los modelos computacionales no pueden sustituir la validación empírica, por lo que los agentes necesitan lecturas experimentales reales. Los casos de estudio de VERID son demostraciones, no un producto. Para un grupo de investigación que realiza cribados de biomarcadores o de fármacos, la promesa es una iteración más rápida: un ciclo de 7–10 días, con un robot que comprueba sus propios movimientos antes de ejecutarlos. La publicación no ofrece fecha, precio ni plan de acceso para ninguno de los dos sistemas, ni dice cuándo podrán los agentes realizar este tipo de experimentos fuera de la investigación de Google. Su objetivo declarado es que los agentes separen, con el tiempo, la señal biológica del ruido experimental entre muchos candidatos en paralelo.