Google Researchs VERID blockiert unmögliche Roboterbefehle, Laboragenten erreichen bei Aptameren Trefferquoten von 33,5 und 42,1 Prozent

Google Research hat am 16. Oktober drei Projekte beschrieben, in denen KI-Agenten im Nasslabor arbeiten, darunter eine Prüfinstanz, die unmögliche Roboterbefehle blockiert, und eine Aptamer-Kampagne, deren bestätigte Trefferquoten nach drei Runden 33,5 Prozent und 42,1 Prozent erreichten. Geleitet wird die Forschung von Annalisa Pawlosky.

Die Fortschritte kamen aus dem Feedback des Nasslabors, das ein Modell allein nicht liefern konnte. Bei Myoglobin sahen die Entwürfe der zweiten Runde bei der Rohbindung besser aus, doch die Spezifität fiel von 75,0 auf 19,1 Prozent und die echte Trefferquote von 10,2 auf 3,7 Prozent; erst nachdem die Agenten diese Messwerte gelesen hatten, änderten sie ihre Regeln und kamen auf 72,4 Prozent Spezifität und 33,5 Prozent Trefferquote zurück. VERID übernimmt die Roboterseite: Es gleicht jedes von einem Agenten geschriebene Protokoll mit einem digitalen Live-Zwilling ab, sodass physikalisch unmögliche oder logistisch ungültige Befehle den Liquid-Handling-Roboter nie erreichen.

Ein Agent kann gültigen Code schreiben, den der Roboter nicht ausführen kann

Laut Google kann ein Agent syntaktisch korrekten Code schreiben, der physikalisch unmöglich ist, etwa eine 8-Kanal-Pipette in eine schmale Wanne abzusenken, oder logistisch ungültig, etwa aus einem leeren Well zu aspirieren. VERID, kurz für VERified Infrastructure for Discovery Laboratories, ist ein semantischer digitaler Zwilling der Laborarbeitsstation auf Basis des Open-Source-Frameworks PyLabRobot. Er verfolgt Geometrie des Roboterarms, Füllstände der einzelnen Wells, Reagenzien und Spitzenvorrat als Live-3D-Entitätsbaum, und seine Trockenläufe simulieren Protokolle in Sekunden, um Kollisionen oder leere Wells zu finden, bevor Reagenzien berührt werden. In einem Fall lehnte der Simulator eine 8-Kanal-Aspiration ab, die nicht in eine schmale Wanne passte; der Agent plante um und entwarf ein faktorielles Diagnoseexperiment, das eine Verzerrung durch Verschleppung an der Spitzenwand isolierte.

Der Einbruch in Runde zwei lehrte die Agenten ihre Regeln

Jedes Zielprotein scheiterte im Nasslabor auf eigene Weise. Ein Zyklus aus Entwurf, Test und Analyse dauerte 7 bis 10 Tage, die drei Runden summierten sich also auf Wochen an Laborzeit. Die erste Runde bei Alpha-Thrombin ergab 0 Prozent Binder, weil feste Primer-Überhänge bei 48 Prozent der Sequenzen die Faltung störten; mit geklammerten flankierenden Stämmen in Runde zwei und mehr Diversität in Runde drei stiegen die Trefferquoten auf 26,0 und dann 42,1 Prozent, bei 98,5 Prozent Spezifität. Myoglobin scheiterte andersherum. Die Agenten priorisierten die Rohbindung und reicherten G-Quadruplex-Motive auf 63 Prozent der Entwürfe an, was den Pull-down erhöhte; die meisten dieser Motive waren jedoch unspezifische, „klebrige“ Binder, und es folgte der oben beschriebene Einbruch in Runde zwei. Die Agenten deckelten unspezifische Motive, zogen Kügelchen-Binder ab und wechselten zu Gerüsten ohne G4; so erreichten sie 72,4 Prozent Spezifität und eine Verneunfachung der On-Target-Trefferquote auf 33,5 Prozent.

Beim Fibroblasten-Aktivierungsprotein alpha (FAP), einem in soliden Tumoren überexprimierten Rezeptor, meldet Google Binder mit einstellig nanomolarer Affinität „in nur wenigen Experimentläufen“, ein Niveau, das nach Angaben des Unternehmens normalerweise erst nach umfangreicher Laboroptimierung erreicht wird. Wurde bei der Strukturvorhersage der Rest des Zielproteins weggeschnitten und nur die lokale Bindetasche behalten, lief dieser Schritt 8,6-mal schneller, ohne an struktureller Genauigkeit zu verlieren. Bei gleicher Rechenleistung verdoppelte ein Team aus Wissenschaftler und Agent die In-silico-Trefferquote eines allein arbeitenden Wissenschaftlers nahezu.

Menschen genehmigen weiterhin die entworfenen Sequenzen, prüfen die Protokolle und überwachen die Roboterläufe, und Google nennt es ein offenes Problem, dass Agenten auf unbeabsichtigte experimentelle Abkürzungen optimieren könnten. Als nächsten Schritt nennt das Unternehmen, die nachvollziehbare Automatisierung von VERID mit Closed-Loop-Lernen für die Proteinentdeckung zu verbinden.