Google bringt KI Agenten an die Pipette, doch Menschen prüfen weiterhin jeden Versuch

Google Research zeigt drei Bausteine für ein Labor, in dem ein Agent ein Experiment entwirft, ein Roboter es ausführt und das Ergebnis die nächste Runde beeinflusst. Das beste veröffentlichte Ergebnis mit DNA Aptameren erreichte nach drei Zyklen eine Trefferquote von 42,1 % für α Thrombin.

Ein digitaler Zwilling stoppt die Pipette vor dem physischen Fehler

Das VERID Framework baut auf dem Open Source Projekt PyLabRobot auf. Es hält einen aktuellen 3D Zustand des Arbeitsplatzes vor, einschließlich Robotergeometrie, Flüssigkeitsmengen, Reagenzien und verfügbarer Pipettenspitzen. Zuerst simuliert es das Protokoll, blockiert ungültige Befehle und verbindet die Aktionen mit synchronisiertem Video und Protokolldaten.

In einem Test lehnte es die Bewegung einer 8 Kanal Pipette in ein zu schmales Gefäß ab. In einem anderen konnte der Agent nach einem Ausfall des Plattenlesers ohne erneutes Pipettieren fortfahren. Google meldet außerdem eine mehr als fünffache Genauigkeitssteigerung bei der Rekonstruktion verdeckter Farbstoffmischungen.

Physische Rückmeldungen korrigierten das falsch optimierte Ziel

Bei den Aptameren dauerte ein Zyklus aus Entwurf, Synthese, Test und Sequenzierung 7 bis 10 Tage. Für α Thrombin stieg die Trefferquote von 0 % in der ersten Runde auf 26,0 % in der zweiten und 42,1 % in der dritten, bei 98,5 % Spezifität.

Myoglobin zeigte den aufschlussreicheren Fehler. In Runde zwei bevorzugte der Agent Motive, die in der rohen Bindungsmessung stark wirkten, aber auch unspezifisch an anderen Stellen hafteten. Die Spezifität sank von 75,0 % auf 19,1 %. Nach geänderten Regeln erholte sie sich in Runde drei auf 72,4 %, während die um Perlenbindung bereinigte Trefferquote 33,5 % erreichte. Das Labor korrigierte hier ein schlecht gewähltes Ziel, statt nur einen Plan auszuführen.

Drei starke Demonstrationen ergeben noch kein autonomes Labor

VERID, der Aptamerzyklus und der Workflow für Proteinbinder sind getrennte Projekte. Google will die nachvollziehbare Automatisierung erst noch mit einem geschlossenen Kreislauf für die Proteinentwicklung verbinden. Bei den Proteinen berichtet das Team über eine 8,6 fache Beschleunigung der Strukturvorhersage, fast die doppelte in silico Trefferquote bei gleichem Rechenbudget und FAP Binder mit einstelliger nanomolarer Affinität.

Menschen genehmigen weiterhin Sequenzen, prüfen Protokolle und überwachen die Roboterdurchläufe. Die Testsysteme waren nicht infektiös und jede entworfene Sequenz durchlief ein Biosecurity Screening. Das ist eine vernünftige Absicherung und markiert zugleich die heutige Grenze der Autonomie.

Die Verbindung der drei Kreisläufe zeigt, ob das System eigene Fehler bewältigt

Entscheidend wird ein gemeinsamer Lauf sein, in dem ein Agent ein Protein entwirft, VERID mehrere Schritte sicher ausführt und experimentelle Daten den nächsten Entwurf tatsächlich verändern. Eine hohe Affinität erneut zu erreichen reicht nicht. Das System muss Kontamination, Geräteausfälle und einen verlockenden, aber falschen Optimierungsweg erkennen.

Auch die Reproduzierbarkeit außerhalb eines Robotertyps und eines Labors zählt. Autonomie in der Biologie wird an sicher bewältigten Abweichungen gemessen, nicht an der Zahl erfolgreicher Vorführungen.

Liliths Urteil

Ein autonomes Labor beginnt mit einer Pipette, die das falsche Gefäß verweigert, und einem Menschen, der den Grund versteht. Google hat leistungsfähige Teile gebaut; erst ihre Verbindung zeigt, ob der Roboterwissenschaftler die eigenen Fehler bewältigt.