Agenti AI di Google: esperimenti di laboratorio a ciclo chiuso

In un laboratorio sperimentale, un robot per la gestione dei liquidi sposta i reagenti dalla provetta alla piastra, tiene traccia della quantità di liquido rimasta in ogni pozzetto ed esegue i protocolli di biologia molecolare passo dopo passo. Google Research sostiene che i modelli AI più avanzati di oggi non ragionano ancora in modo affidabile sulla geometria tridimensionale e sullo stato fisico, e questo divario impedisce a un agente di far funzionare da solo quel robot. Il suo post sul blog descrive tre progetti mirati a colmarlo.

Il primo, VERID (VERified Infrastructure for Discovery Laboratories), è un gemello digitale della postazione di lavoro del laboratorio: un modello 3D dinamico e con stato che traccia il braccio robotico, il volume in ogni pozzetto, l'identità dei reagenti e l'inventario dei puntali. Google Research fa notare che un comando può essere codice valido e tuttavia fisicamente impossibile, come abbassare una pipetta a 8 canali, una testina con otto puntali che lavorano insieme, in una vaschetta troppo bassa per contenerla. Un agente può eseguire una simulazione a vuoto in pochi secondi per individuare collisioni o pozzetti vuoti prima di toccare i reagenti, e i controlli hardware bloccano i comandi non validi prima che raggiungano il robot. Il sistema è costruito su PyLabRobot, un framework open source, e registra video sincronizzati e log delle azioni per ogni esecuzione.

Il secondo progetto mette alla prova l'intero ciclo. Gli aptameri sono brevi filamenti di DNA che si legano a una proteina bersaglio, e un ciclo completo di progettazione, test e analisi richiede appena 7–10 giorni, perché il DNA può essere sintetizzato chimicamente in librerie raggruppate e letto direttamente tramite sequenziamento. Gli agenti hanno progettato sequenze candidate, le hanno vagliate con le proteine bersaglio su microsfere magnetiche per isolare quelle che si legano, e hanno sequenziato i risultati per alimentare il ciclo successivo. In tre cicli su due bersagli, la mioglobina e l'α-trombina, i tassi di successo confermati sul bersaglio sono saliti rispettivamente a 33,5% e 42,1%.

Ciascun bersaglio ha nascosto un diverso problema di laboratorio. Con l'α-trombina, il primo ciclo ha prodotto 0% di leganti, perché le sporgenze dei primer fisse, ovvero le sequenze aggiuntive attaccate a ciascun filamento, hanno alterato il ripiegamento nel 48% delle sequenze. Steli fiancheggianti bloccati nel secondo ciclo, poi progetti più diversificati nel terzo, hanno portato il tasso di successo al 26,0%, quindi al 42,1% con specificità del 98,5%. Con la mioglobina, gli agenti che nel secondo ciclo hanno privilegiato l'affinità di legame grezza hanno spinto i motivi G-quadruplex, uno schema di ripiegamento del DNA, nel 63% dei progetti. La resa grezza del pull-down è aumentata, ma i dati di laboratorio hanno mostrato che la maggior parte di quei leganti non era specifica per il bersaglio.

Si tratta di risultati dello stesso Google Research, ottenuti su due bersagli proteici in tre cicli, e il post non riporta alcuna replica indipendente. Il team afferma che i modelli computazionali non possono sostituire la validazione sperimentale, ed è per questo che gli agenti hanno bisogno di letture sperimentali reali. I casi di studio di VERID sono dimostrazioni, non un prodotto. Per un gruppo di ricerca che conduce screening di biomarcatori o di farmaci, la promessa è un'iterazione più rapida: un ciclo di 7–10 giorni, con un robot che verifica le proprie mosse prima di eseguirle. Il post non indica data, prezzo né piano di accesso per nessuno dei due sistemi, e non dice quando gli agenti potranno condurre esperimenti del genere al di fuori della ricerca di Google. L'obiettivo dichiarato è che, con il tempo, gli agenti separino il segnale biologico dal rumore sperimentale su molti candidati in parallelo.