Agentes de IA da Google executam ensaios de laboratório em ciclo fechado

Num laboratório experimental, um robô de manipulação de líquidos transfere reagentes de tubo para placa, controla a quantidade de líquido que resta em cada poço e executa protocolos de biologia molecular passo a passo. A Google Research afirma que os modelos de IA mais avançados ainda não raciocinam de forma fiável sobre a geometria tridimensional e o estado físico, e que essa lacuna impede um agente de operar sozinho esse robô. A publicação no blogue descreve três projetos destinados a colmatá-la.

O primeiro, o VERID (VERified Infrastructure for Discovery Laboratories), é um gémeo digital da célula de trabalho do laboratório: um modelo 3D dinâmico e com estado que acompanha o braço robótico, o volume em cada poço, a identidade dos reagentes e o inventário das pontas de pipeta. A Google Research observa que um comando pode ser código válido e, ainda assim, fisicamente impossível, como baixar uma pipeta de 8 canais, uma cabeça com oito pontas a trabalhar em simultâneo, para dentro de uma calha demasiado baixa para ela. Um agente pode executar uma simulação virtual em segundos para detetar colisões ou poços vazios antes de tocar nos reagentes, e as verificações do equipamento bloqueiam os comandos inválidos antes de chegarem ao robô. A plataforma assenta no PyLabRobot, uma estrutura de código aberto, e regista vídeo e registos de ações sincronizados para cada execução.

O segundo projeto testa o ciclo completo. Os aptâmeros são cadeias curtas de ADN que se ligam a uma proteína-alvo, e um ciclo completo de conceção, teste e análise demora apenas 7 a 10 dias, porque o ADN pode ser sintetizado quimicamente em bibliotecas agrupadas e lido diretamente por sequenciação. Os agentes conceberam sequências candidatas, rastrearam-nas contra as proteínas-alvo em esferas magnéticas para isolar as que se ligam, e sequenciaram os resultados para alimentar a ronda seguinte. Ao longo de três rondas sobre dois alvos, a mioglobina e a alfa-trombina, as taxas de acerto confirmadas no alvo subiram para 33,5 % e 42,1 %, respetivamente.

Cada alvo escondia uma falha laboratorial diferente. Na alfa-trombina, a ronda 1 produziu 0 % de ligantes, porque as extensões fixas dos iniciadores, as caudas adicionais de sequência acrescentadas a cada cadeia, perturbaram o enrolamento em 48 % das sequências. Os flancos de grampo na ronda 2, seguidos de desenhos mais diversificados na ronda 3, elevaram a taxa de acerto para 26,0 % e, depois, para 42,1 % com 98,5 % de especificidade. Na mioglobina, os agentes que deram prioridade à afinidade de ligação bruta na ronda 2 levaram os motivos G-quadruplexo, um padrão de enrolamento do ADN, para 63 % dos desenhos. A captura bruta aumentou, mas os dados laboratoriais mostraram que a maioria desses ligantes não era específica do alvo.

Estes são resultados da própria Google Research, obtidos com duas proteínas-alvo ao longo de três rondas, e a publicação não relata qualquer replicação independente. A equipa afirma que os modelos computacionais não podem substituir a validação empírica, razão pela qual os agentes precisam de leituras experimentais reais. Os casos de estudo do VERID são demonstrações, não um produto. Para um grupo de investigação que realize rastreios de biomarcadores ou de fármacos, a promessa é uma iteração mais rápida: um ciclo de 7 a 10 dias, com um robô que verifica os seus próprios movimentos antes de os executar. A publicação não indica data, preço nem plano de acesso a nenhum dos dois sistemas, nem diz quando os agentes realizarão experiências deste tipo fora da investigação da Google. O objetivo declarado é que os agentes separem, um dia, o sinal biológico do ruído experimental entre muitos candidatos em paralelo.