Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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.
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.
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.
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.
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.
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%.
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.
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.
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.
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.