As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.