Google lleva agentes de IA hasta la pipeta, pero cada ensayo sigue bajo control humano

Google Research presentó tres componentes para un laboratorio en el que un agente diseña el experimento, un robot lo ejecuta y el resultado modifica la siguiente ronda. El mejor resultado publicado con aptámeros de ADN alcanzó una tasa de acierto del 42,1 % para la α trombina después de tres ciclos.

Un gemelo digital detiene la pipeta antes del error físico

El framework VERID funciona sobre el proyecto open source PyLabRobot. Mantiene un estado 3D actualizado del puesto, incluida la geometría del robot, el volumen de los pocillos, la identidad de los reactivos y las puntas disponibles. Primero simula el protocolo, bloquea órdenes no válidas y vincula las acciones con vídeo sincronizado y registros.

En una prueba rechazó el movimiento de una pipeta de 8 canales hacia un recipiente demasiado estrecho. En otra permitió que el agente se recuperase de un fallo del lector de placas sin repetir el pipeteo. Google también informa de una mejora de precisión superior a cinco veces al reconstruir mezclas de colorantes ocultas.

Los datos físicos corrigieron el objetivo que el agente optimizó mal

Con los aptámeros, cada ciclo de diseño, síntesis, prueba y secuenciación duró entre 7 y 10 días. Para la α trombina, la tasa de acierto pasó del 0 % en la primera ronda al 26,0 % en la segunda y al 42,1 % en la tercera, con una especificidad del 98,5 %.

La mioglobina reveló el fallo más instructivo. En la segunda ronda, el agente favoreció motivos que parecían buenos en la medición bruta de unión, pero también se adherían a otros objetivos. La especificidad cayó del 75,0 % al 19,1 %. Tras cambiar las reglas, se recuperó hasta el 72,4 % y la tasa de acierto corregida por las perlas llegó al 33,5 %. El laboratorio corrigió un objetivo mal elegido en lugar de limitarse a ejecutar un plan.

Tres demostraciones sólidas todavía no forman un laboratorio autónomo

VERID, el ciclo de aptámeros y el flujo de binders de proteínas son proyectos separados. Google aún planea unir la automatización trazable con el descubrimiento de proteínas en circuito cerrado. En el trabajo con proteínas informa de una predicción estructural 8,6 veces más rápida, casi el doble de tasa de acierto in silico con el mismo cómputo y binders de FAP con afinidad nanomolar de un solo dígito.

Las personas siguen autorizando secuencias, verificando protocolos y supervisando a los robots. Los sistemas de prueba no eran infecciosos y cada secuencia pasó un biosecurity screening. Es una configuración prudente que también delimita el nivel actual de autonomía.

Unir los tres ciclos mostrará si el sistema soporta sus propios errores

La prueba decisiva será una ejecución conjunta en la que un agente diseñe una proteína, VERID complete varios pasos con seguridad y los datos físicos cambien de verdad el siguiente diseño. Repetir una afinidad máxima no bastará. El sistema debe detectar contaminación, averías y atajos de optimización atractivos pero equivocados.

También importará la reproducibilidad fuera de un único tipo de robot y un solo laboratorio. La autonomía en biología se medirá por las desviaciones resueltas con seguridad, no por el número de demostraciones exitosas.

El veredicto de Lilith

Un laboratorio autónomo empieza con una pipeta que se niega a entrar en el recipiente equivocado y con una persona que sabe por qué. Google ha construido piezas capaces; al unirlas veremos si el científico robótico resiste sus propios errores.