Google Research usa agentes de IA para automatizar experimentos de laboratório e descobrir ligantes de proteínas
Google Research apresenta VERID, gêmeo digital de bancada robótica, e ciclos fechados com agentes de IA que descobriram ligantes de proteína nanomolares…
Resumo: O Google Research apresentou três projetos que conectam agentes de IA a experimentos reais de laboratório, incluindo o VERID, um gêmeo digital de bancada robótica, e ciclos fechados que descobriram ligantes de proteína com afinidade nanomolar para alvos de câncer. A novidade importa porque ataca o gargalo atual da descoberta de fármacos: validar no mundo físico as hipóteses geradas por IA.
Pontos-chave
- O Google Research apresentou o VERID, gêmeo digital de bancada robótica construído sobre PyLabRobot para agentes de IA.
- Ciclos fechados com aptâmeros elevaram taxas de acerto para 33,5% na mioglobina e 42,1% na α-trombina.
- Ligantes para FAP atingiram afinidade nanomolar de dígito único em poucas execuções experimentais.
- A excisão de epítopo acelerou o dobramento de proteínas em mais de 8,6 vezes sem perder acurácia.
- A colaboração humano-agente quase dobrou a taxa de acerto in silico em relação a um cientista sozinho.
Nesta matéria
Por que colocar agentes de IA dentro do laboratório molhado?#
O Google Research descreve uma visão de longo prazo em que agentes de IA não apenas propõem hipóteses e analisam dados, mas também executam experimentos para testá-las, aprendem com os resultados e se aprimoram. A motivação é o tamanho do espaço de busca biológico: um único peptídeo de 100 aminoácidos abrange ao menos 20^100 sequências possíveis.
O problema é que a experimentação física não acompanhou o avanço da modelagem computacional. Com isso, a leitura experimental virou o principal gargalo dos ciclos de descoberta, já que modelos in silico não capturam tudo o que ocorre em uma reação de bancada.
A notícia é relevante agora porque o Google Research apresenta soluções concretas para duas dificuldades entrelaçadas: a dificuldade dos modelos de raciocinar sobre geometria tridimensional e estado físico, e a lentidão dos experimentos reais.
O que é o VERID e como ele conecta raciocínio de IA à robótica?#
O VERID (VERified Infrastructure for Discovery Laboratories) é descrito como um gêmeo digital semântico da célula de trabalho do laboratório. Trata-se de uma árvore volumétrica 3D viva e com estado, que rastreia desde a geometria do braço robótico até volumes individuais de poços, identidades de reagentes e inventário de ponteiras.
Construído sobre o framework open-source PyLabRobot, o VERID permite que um agente de IA planeje, simule e execute protocolos de manuseio de líquidos em um robô, combinando câmeras sincronizadas com rastreamento de estado ao vivo para refinar experimentos entre ciclos.
A segurança de um comando depende do contexto físico ao vivo, não só do código. Um agente pode gerar código sintaticamente válido, mas fisicamente impossível, logisticamente inválido ou cientificamente comprometido por efeitos fluidicos não modelados.
Quais casos práticos o VERID já demonstrou?#
O relatório do Google Research cita três casos que mostram as capacidades do VERID em ação. Em um deles, vídeo sincronizado e traços de execução detectaram estratificação irregular de corante causada por dispensação próxima ao fundo do poço, permitindo ao agente refinar sua estratégia de mistura.
No mesmo ciclo, o estado persistente do gêmeo digital permitiu ao agente se recuperar no meio da execução de uma falha no leitor de placas, sem repipetar. Em outro caso, quando o simulador rejeitou uma aspiração de 8 canais que não caberia fisicamente em um reservatório estreito, o agente replanejou na hora.
Também foi realizado um ciclo de auto-jogo fechado em que o agente projetou e executou experimentos para reconstruir misturas de corante cegas a partir de imagens de câmera, identificando seus próprios artefatos ópticos e fluídicos e melhorando a precisão em mais de cinco vezes.
Como aptâmeros de DNA servem de sandbox para descoberta molecular?#
No trabalho "Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery", os pesquisadores usam aptâmeros de DNA ligantes de proteínas para prototipar o ciclo fechado com agentes em três iterações de design-teste. Um ciclo completo leva de 7 a 10 dias, pois o DNA pode ser sintetizado quimicamente em bibliotecas e lido diretamente por sequenciamento.
Em cada rodada, agentes projetam sequências candidatas, que são triadas contra proteínas-alvo em esferas magnéticas e sequenciadas para retornar dados quantitativos ao próximo ciclo. Foram usados dois alvos com dificuldades distintas: mioglobina e α-trombina.
Os resultados mostraram que o design racional e de novo elevou as taxas de acerto confirmadas para 33,5% na mioglobina e 42,1% na α-trombina, mas cada alvo exigiu identificar e superar um modo de falha diferente no laboratório.
O que os agentes aprenderam com as falhas no laboratório?#
Na α-trombina, a primeira rodada teve 0% de ligantes porque extensões de primer fixas atrapalharam o dobramento em 48% das sequências. Após os agentes introduzirem hastes flanqueadoras na segunda rodada e diversificarem na terceira, as taxas subiram para 26,0% e depois 42,1%, com 98,5% de especificidade.
Na mioglobina, ao priorizarem afinidade bruta na segunda rodada, os agentes enriqueceram fortemente motivos G-quadruplex, que representaram 63% dos designs. Os dados mostraram que a maioria era de ligantes não específicos aderindo a proteínas fora do alvo e às próprias esferas magnéticas.
Com isso, a especificidade caiu de 75,0% para 19,1% e a taxa de acerto corrigida caiu de 10,2% para 3,7%. Os agentes reconheceram o artefato e revisaram suas regras para a terceira rodada, limitando motivos promíscuos e recuperando a especificidade para 72,4% com salto de nove vezes na taxa de acerto.
Como o pipeline acelerou o design de ligantes para a proteína FAP?#
No trabalho "Agent-guided epitope excision enables economical de novo binder design", a equipe aplicou o fluxo ao FAP (fibroblast activation protein alpha), um receptor grande e desafiador superexpresso em tumores sólidos. Em poucas execuções experimentais, os melhores designs produziram ligantes com afinidade nanomolar de dígito único.
Computacionalmente, o design de novo exige gerar esqueletos candidatos e refazer o dobramento dos complexos, etapa que consome a maior parte do poder de GPU. Ao excisar cirurgicamente apenas o bolsão de ligação local durante o dobramento, o pipeline acelerou cada ciclo mais de 8,6 vezes sem perder acurácia estrutural.
Em comparação direta com o mesmo poder computacional, a colaboração humano-agente quase dobrou a taxa de acerto in silico de um cientista sozinho, com acertos em uma gama mais ampla de sítios do alvo. Para escalar a triagem, foi operacionalizado o display de superfície de levedura com FACS.
Quais são os riscos e as salvaguardas apontados?#
O Google Research afirma que constrói salvaguardas nos lados computacional e experimental dos fluxos, alinhado ao seu Frontier Safety Framework e à abordagem de bioresiliência. A notícia, porém, não detalha quais são essas salvaguardas.
Os pesquisadores também listam problemas em aberto para um laboratório autônomo: garantir que agentes otimizem a ligação real ao alvo em vez de atalhos experimentais não intencionais, verificar protocolos de múltiplas etapas e monitorar continuamente o raciocínio e os traços de execução dos agentes.
O próximo passo declarado é combinar a automação rastreável do VERID com o aprendizado em ciclo fechado para descoberta de proteínas, permitindo que agentes naveguem diretamente por espaços biológicos complexos no laboratório.
O que isso muda para quem usa IA?#
Para quem desenvolve com IA, a mensagem central é que o ciclo de validação física pode se tornar parte do loop de raciocínio do agente, não apenas uma etapa posterior. Isso exige infraestrutura de estado, simulação e rastreabilidade, como o VERID demonstra com o PyLabRobot.
A Invision oferece acesso a vários modelos de IA por uma única chave e saldo em reais, o que ajuda equipes a experimentar diferentes abordagens em pipelines desse tipo sem gerenciar múltiplas integrações. A notícia não informa preços ou condições comerciais.
Perguntas frequentes
O que é o VERID do Google Research?
É um gêmeo digital semântico da bancada de laboratório, descrito como uma árvore volumétrica 3D com estado que rastreia robôs, poços, reagentes e ponteiras, permitindo que agentes de IA planejem, simulem e executem protocolos de manuseio de líquidos.
Quais alvos de proteína foram usados nos experimentos?
O Google Research cita mioglobina, α-trombina, nos testes com aptâmeros de DNA, e FAP (fibroblast activation protein alpha), no design de ligantes de proteína.
Os agentes de IA realmente executaram experimentos?
Sim. Segundo a notícia, agentes planejaram, simularam e executaram protocolos em um robô de manuseio de líquidos via VERID, e conduziram ciclos fechados de design, teste e análise com aptâmeros.
Qual foi o resultado em afinidade dos ligantes para FAP?
Os melhores designs produziram ligantes com afinidade nanomolar de dígito único em poucas execuções experimentais, segundo o Google Research.
Quais são os riscos de um laboratório autônomo com IA?
A notícia aponta a necessidade de garantir que agentes otimizem a ligação real ao alvo, verifiquem protocolos de múltiplas etapas e monitorem continuamente o raciocínio e a execução dos agentes.
Fonte original: Grounding AI agents in biological reality: Building blocks for autonomous wet labs (Google Research). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.