Google dopuścił agentów AI do pipet, lecz każdy eksperyment nadal zatwierdza człowiek

Google Research pokazał trzy elementy laboratorium, w którym agent projektuje eksperyment, robot go wykonuje, a wynik wpływa na kolejną rundę. Najlepszy opublikowany wynik dla aptamerów DNA osiągnął po trzech cyklach hit rate 42,1 % dla α trombiny.

Cyfrowy bliźniak zatrzymuje pipetę przed fizycznym błędem

Framework VERID działa na open source PyLabRobot. Utrzymuje aktualny model 3D stanowiska, obejmujący geometrię robota, objętość w dołkach, tożsamość odczynników i zapas końcówek. Najpierw symuluje protokół, blokuje nieprawidłowe polecenia i łączy działania z zsynchronizowanym nagraniem oraz logami.

W jednym teście odrzucił ruch 8 kanałowej pipety do zbyt wąskiego pojemnika. W innym pozwolił agentowi wznowić pracę po awarii czytnika płytek bez ponownego pipetowania. Google podaje również ponad pięciokrotną poprawę dokładności podczas odtwarzania zaślepionych mieszanin barwników.

Informacja z fizycznego eksperymentu poprawiła źle dobrany cel

W przypadku aptamerów jeden cykl projektowania, syntezy, testu i sekwencjonowania trwał od 7 do 10 dni. Dla α trombiny hit rate wzrósł z 0 % w pierwszej rundzie do 26,0 % w drugiej i 42,1 % w trzeciej, przy swoistości 98,5 %.

Myoglobina ujawniła ważniejszą porażkę. W drugiej rundzie agent faworyzował motywy, które dobrze wypadały w surowym pomiarze wiązania, lecz przyklejały się także do innych celów. Swoistość spadła z 75,0 % do 19,1 %. Po zmianie reguł wróciła w trzeciej rundzie do 72,4 %, a bead corrected hit rate osiągnął 33,5 %. Laboratorium skorygowało tu źle wybrany cel optymalizacji, zamiast jedynie wykonać plan.

Trzy mocne demonstracje nie składają się jeszcze na autonomiczne laboratorium

VERID, pętla aptamerowa i projektowanie binderów białkowych pozostają osobnymi projektami. Google dopiero zamierza połączyć identyfikowalną automatyzację z zamkniętą pętlą odkrywania białek. W pracach nad białkami firma podaje 8,6 razy szybszą predykcję struktury, niemal dwukrotnie wyższy in silico hit rate przy tym samym budżecie obliczeniowym oraz bindery FAP o jednocyfrowym powinowactwie nanomolarnym.

Ludzie nadal zatwierdzają sekwencje, sprawdzają protokoły i nadzorują pracę robotów. Systemy testowe były niezakaźne, a każda zaprojektowana sekwencja przeszła biosecurity screening. To rozsądne zabezpieczenie, które jednocześnie precyzyjnie wyznacza dzisiejszy poziom autonomii.

Połączenie trzech pętli pokaże, czy system poradzi sobie z własnymi błędami

Kluczowy będzie wspólny przebieg, w którym agent zaprojektuje białko, VERID bezpiecznie wykona wiele kroków, a dane z eksperymentu realnie zmienią kolejny projekt. Powtórzenie rekordowego powinowactwa nie wystarczy. System musi wykryć zanieczyszczenie, awarię sprzętu i kuszący, lecz błędny skrót optymalizacyjny.

Liczy się też powtarzalność poza jednym typem robota i jednym laboratorium. Autonomię w biologii zmierzy liczba bezpiecznie obsłużonych odchyleń, nie liczba udanych pokazów.

Werdykt Lilith

Autonomiczne laboratorium zaczyna się od pipety, która odmawia wejścia do złego naczynia, oraz człowieka, który rozumie dlaczego. Google zbudował sprawne części maszyny. Dopiero ich połączenie pokaże, czy robotyczny naukowiec poradzi sobie z własnymi błędami.