Google Research opisuje stavebné bloky pre autonómne wet laby: digitálne dvojča, uzavreté cykly a bindery pre FAP

Primárny zdroj predstavuje jednu spoločnú líniu výskumu: „We are bringing AI agents to the wet-lab bench at Google Research to navigate complex biological landscapes. By grounding agents in physical lab robotics, we can run fast closed-loop molecular design cycles where agents learn how to learn, ultimately discovering single-digit nanomolar protein binders for cancer targets.“ To je základný rámec článku: nejde o samostatný produktový launch, ale o výskumný opis toho, ako chce Google prepojiť návrh, test a spätnú väzbu v laboratóriu.

Technickým jadrom je VERID. Google ho opisuje ako „semantic digital twin of the laboratory workcell“, teda živý stavový model, ktorý sleduje geometriu robotických ramien, objemy v jamkách, identity reagencií aj zásobu špičiek pipiet. Zdroj zároveň vymenúva štyri hlavné schopnosti: live 3D state tracking, fast virtual dry runs, hardware safety checks a synchronized video and action logs. Význam tohto návrhu je v tom, že agent nemá rozhodovať iba podľa textového zadania alebo API, ale podľa priebežne aktualizovaného modelu fyzického pracoviska.

Zdroj výslovne vysvetľuje, prečo takáto vrstva kontroly vôbec treba. „An agent can generate syntactically valid code that is physically impossible ... logistically invalid ... or scientifically compromised by unmodeled fluidic effects.“ Blog uvádza aj konkrétne interné príklady použitia: simulátor zachytil aspiráciu 8-kanálovou pipetou do príliš úzkeho žľabu a agent musel plán upraviť; v inom prípade synchronizované video a execution traces pomohli odhaliť nerovnomernú stratifikáciu farbiva. To podporuje interpretáciu, že Google sa nesústredí len na samotné navrhovanie molekúl, ale aj na validáciu vykonateľnosti experimentu.

Prvý uzavretý cyklus sa týka aptamérov. Google píše, že ide o vhodné experimentálne pieskovisko, lebo celý design-test-analyze cyklus trvá približne 7 až 10 dní a výsledok sa dá priamo čítať sekvenovaním. Kľúčové reportované čísla sú tieto: „Across three rounds on two protein targets with varying difficulty levels (myoglobin and α-thrombin), AI-driven rational and de novo design raised confirmed on-target hit rates ... to 33.5% and 42.1% for myoglobin and α-thrombin, respectively“. Zdroj zároveň dopĺňa, že oba ciele vyžadovali odhaliť odlišný wet-lab failure mode, takže nejde len o čisté zlepšenie modelu bez experimentálnych komplikácií.

Text podrobnejšie rozpisuje aj mechanizmus, ktorým sa agenti mali opraviť po zlyhaniach. Pri α-thrombíne malo prvé kolo skončiť s 0 % binderov, pretože pevné primerové presahy narúšali skladanie sekvencií; následne agenti zaviedli upravené flankujúce štruktúry a hit rate stúpol. Pri myoglobíne sa zas po preferovaní surovej afinity rozšírili G-kvadruplexové motívy, ktoré sa podľa wet-lab dát ukázali ako nešpecifické „sticky“ bindery. Až následná revízia pravidiel mala obnoviť špecificitu aj hit rate. Tieto detaily sú dôležité preto, lebo zdroj nepredáva iba finálne čísla, ale argumentuje, že agenti sa učili z experimentálnych artefaktov.

Druhý príklad sa týka de novo návrhu proteínových binderov pre fibroblast activation protein alpha (FAP), receptor nadmerne exprimovaný v solídnych nádoroch. Google tvrdí: „In just a few experimental runs, the top designs yielded binders with single-digit nanomolar affinity“. Zdroj zároveň opisuje, že výpočtovo zrýchlil jeden z drahých krokov pomocou „surgical epitope excision“, teda vyrezania lokálneho väzbového miesta pri predikcii skladania. Blog uvádza, že tým akceleroval cyklus viac než osemnásobne bez straty štruktúrnej presnosti a že pri rovnakom výpočtovom rozpočte ľudsko-agentná spolupráca takmer zdvojnásobila in-silico hit rate oproti samostatnej práci vedca. V našom článku však zostáva jadrom najmä atribútované tvrdenie o single-digit nanomolar afinite pri FAP.

Bezpečnostná vrstva je v blogu formulovaná explicitne, ale stále ide o opis vlastného postupu Googlu. Zdroj uvádza tri typy safeguardov: výber dobre kontrolovaných neinfekčných biologických systémov bez gain-of-function rizika, biosecurity screening každej navrhnutej sekvencie a pravidlo, že agenti neposielajú neoverený kód priamo robotom, pretože každý protokol sa najprv nasucho simuluje a validuje proti digitálnemu dvojčaťu. Samostatne blog dodáva aj „Human oversight“, teda že ľudia autorizujú navrhnuté sekvencie, kontrolujú wet-lab protokoly a dohliadajú na beh robotov.

Hranica poznania je podstatná. V dodaných podkladoch máme jeden primárny firemný blog s konkrétnymi technickými opismi a číselnými tvrdeniami, no nie nezávislú replikáciu, externý audit ani samostatné potvrdenie výkonu z iného zdroja. Preto sú najsilnejšie formulácie tie, ktoré ostávajú verné textu zdroja: Google opisuje VERID ako digitálne dvojča laboratória, tvrdí zlepšenia v aptamérových cykloch a tvrdí single-digit nanomolar bindery pri FAP. Silnejšie závery o preukázanom prelome v objavovaní liekov by z týchto podkladov neboli doložené.