VERID, de Google Research, bloquea órdenes imposibles para robots mientras sus agentes de laboratorio alcanzan tasas de acierto del 33,5% y el 42,1% con aptámeros

Google Research describió el 16 de octubre tres proyectos que ponen a agentes de IA a trabajar en el laboratorio húmedo, entre ellos un verificador que bloquea órdenes imposibles para robots y una campaña con aptámeros cuyas tasas de acierto confirmadas llegaron al 33,5% y al 42,1% en tres rondas. Annalisa Pawlosky dirige la investigación.

Las mejoras salieron de la retroalimentación del laboratorio húmedo, algo que un modelo por sí solo no podía aportar. En mioglobina, los diseños de la segunda ronda parecían mejores en unión bruta, pero la especificidad cayó del 75,0% al 19,1% y la tasa de acierto real del 10,2% al 3,7%; solo después de leer esa medición los agentes revisaron sus reglas y se recuperaron hasta un 72,4% de especificidad y un 33,5% de acierto. VERID se ocupa de la parte robótica: contrasta cada protocolo escrito por un agente con un gemelo digital en vivo, de modo que las órdenes físicamente imposibles o logísticamente inválidas nunca llegan al robot de manipulación de líquidos.

Un agente puede escribir código válido que el robot no puede ejecutar

Según Google, un agente puede escribir código sintácticamente correcto pero físicamente imposible, como bajar una pipeta de 8 canales a una cubeta estrecha, o logísticamente inválido, como aspirar de un pocillo vacío. VERID, siglas de VERified Infrastructure for Discovery Laboratories, es un gemelo digital semántico de la estación de trabajo construido sobre el framework de código abierto PyLabRobot. Sigue la geometría del brazo robótico, el volumen de cada pocillo, la identidad de los reactivos y el inventario de puntas como un árbol de entidades 3D en vivo, y sus simulaciones en seco reproducen protocolos en segundos para detectar colisiones o pocillos vacíos antes de tocar los reactivos. En un caso, el simulador rechazó una aspiración de 8 canales que no cabía en una cubeta estrecha, y el agente replanificó con un diagnóstico factorial que aisló un sesgo causado por el arrastre residual en la pared de la punta.

La caída de la segunda ronda enseñó a los agentes sus reglas

Cada diana tropezó con un fallo distinto en el laboratorio húmedo. Cada ciclo de diseño, prueba y análisis duró de 7 a 10 días, así que las tres rondas sumaron semanas de trabajo de laboratorio. La primera ronda con alfa-trombina dio un 0% de ligandos porque los salientes fijos de los cebadores alteraron el plegamiento en el 48% de las secuencias; los tallos flanqueantes con pinza de la segunda ronda y la diversificación de la tercera elevaron la tasa de acierto al 26,0% y luego al 42,1%, con un 98,5% de especificidad. La mioglobina falló al revés. Priorizar la unión bruta y enriquecer los motivos G-cuádruplex hasta el 63% de los diseños aumentó la captura, pero la mayoría de esos motivos eran ligandos "pegajosos" inespecíficos, y de ahí vino la caída de la segunda ronda descrita arriba. Los agentes limitaron los motivos promiscuos, restaron los ligandos de las perlas y pasaron a armazones sin G4, hasta alcanzar un 72,4% de especificidad y multiplicar por nueve la tasa de acierto en la diana, hasta el 33,5%.

Con la proteína de activación de fibroblastos alfa (FAP), un receptor sobreexpresado en tumores sólidos, Google informa de ligandos con afinidad nanomolar de un solo dígito "en solo unos pocos experimentos", un nivel que, según la empresa, suele requerir una optimización extensa en el laboratorio. Recortar el resto de la diana y conservar solo el bolsillo de unión local durante la predicción de estructura aceleró ese paso 8,6 veces sin perder precisión estructural, y con el mismo cómputo un esquema de científico y agente casi duplicó la tasa de acierto in silico de un científico trabajando solo.

Las personas siguen autorizando las secuencias diseñadas, verificando los protocolos y supervisando las ejecuciones de los robots, y Google cita como problema abierto que los agentes optimicen atajos experimentales no deseados. El siguiente paso que señala es combinar la automatización trazable de VERID con el aprendizaje en bucle cerrado para el descubrimiento de proteínas.