Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.