Google : des agents IA mènent des expériences en boucle fermée

Dans un laboratoire humide, un robot de manipulation de liquides transfère les réactifs d'un tube vers une plaque, suit la quantité de liquide restante dans chaque puits et exécute pas à pas des protocoles de biologie moléculaire. Google Research affirme que les modèles d'IA de pointe actuels ne raisonnent toujours pas de façon fiable sur la géométrie tridimensionnelle et l'état physique, et que cette lacune empêche un agent de piloter seul ce robot. Son billet décrit trois projets visant à la combler.

Le premier, VERID (VERified Infrastructure for Discovery Laboratories), est un jumeau numérique de la cellule de travail du laboratoire : un modèle 3D vivant et doté d'un état, qui suit le bras robotisé, le volume de chaque puits, l'identité des réactifs et le stock d'embouts de pipette. Google Research souligne qu'une commande peut être syntaxiquement valide et pourtant physiquement impossible, comme abaisser une pipette à 8 canaux, une tête dotée de huit embouts travaillant simultanément, dans une cuve trop peu profonde pour elle. Un agent peut effectuer une simulation à blanc en quelques secondes pour détecter les collisions ou les puits vides avant de toucher aux réactifs, et des contrôles matériels bloquent les commandes invalides avant qu'elles n'atteignent le robot. Le système repose sur PyLabRobot, un framework open source, et enregistre pour chaque exécution une vidéo synchronisée ainsi que les journaux des actions.

Le second projet teste la boucle complète. Les aptamères sont de courts brins d'ADN qui se lient à une protéine cible, et un cycle complet de conception, de test et d'analyse ne dure que 7 à 10 jours, car l'ADN peut être synthétisé chimiquement en bibliothèques regroupées et lu directement par séquençage. Les agents ont conçu des séquences candidates, les ont criblées sur des billes magnétiques contre les protéines cibles pour isoler celles qui se lient, puis ont séquencé les résultats pour alimenter le cycle suivant. Sur trois cycles appliqués à deux cibles, la myoglobine et l'α-thrombine, les taux de succès confirmés sur la cible ont atteint respectivement 33,5 % et 42,1 %.

Chaque cible a révélé un échec de laboratoire différent. Sur l'α-thrombine, le cycle 1 a produit 0 % de liants, car des extrémités d'amorces fixes, ces queues de séquence supplémentaires ajoutées à chaque brin, ont perturbé le repliement de 48 % des séquences. Des tiges flanquantes verrouillées au cycle 2, puis des conceptions plus diversifiées au cycle 3, ont fait grimper le taux de succès à 26,0 %, puis à 42,1 % avec une spécificité de 98,5 %. Sur la myoglobine, les agents qui privilégiaient l'affinité de liaison brute au cycle 2 ont poussé les motifs G-quadruplex, une configuration de repliement de l'ADN, à 63 % des conceptions. Le taux de capture brute a augmenté, mais les données de laboratoire ont montré que la plupart de ces liants n'étaient pas spécifiques de la cible.

Il s'agit là des résultats propres de Google Research, obtenus sur deux protéines cibles et trois cycles, et le billet ne rapporte aucune reproduction indépendante. L'équipe affirme que les modèles numériques ne peuvent pas remplacer la validation expérimentale, raison pour laquelle les agents ont besoin de mesures expérimentales réelles. Les études de cas de VERID sont des démonstrations, et non un produit. Pour un groupe de recherche qui mène des criblages de biomarqueurs ou de médicaments, la promesse est une itération plus rapide : un cycle de 7 à 10 jours, avec un robot qui vérifie ses propres mouvements avant de les exécuter. Le billet ne donne ni date, ni prix, ni modalités d'accès pour l'un ou l'autre système, et ne précise pas quand des agents pourront mener de telles expériences en dehors des recherches de Google. L'objectif affiché est que les agents puissent, à terme, distinguer le signal biologique du bruit expérimental parmi de nombreux candidats menés en parallèle.