Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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.
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.
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.
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.
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.
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 %.
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.
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.
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.
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.