Le VERID de Google Research bloque les commandes impossibles pour les robots, et ses agents de laboratoire atteignent 33,5 % et 42,1 % de réussite sur les aptamères

Google Research a présenté le 16 octobre trois projets qui mettent des agents d'IA au travail dans le laboratoire humide, dont un vérificateur qui bloque les commandes impossibles pour les robots et une campagne sur des aptamères dont les taux de réussite confirmés ont atteint 33,5 % et 42,1 % en trois cycles. Annalisa Pawlosky dirige les travaux.

Les gains sont venus des retours du laboratoire humide, qu'un modèle seul ne pouvait pas fournir. Sur la myoglobine, les conceptions du deuxième cycle semblaient meilleures en liaison brute, mais la spécificité est tombée de 75,0 % à 19,1 % et le taux de réussite réel de 10,2 % à 3,7 % ; ce n'est qu'après avoir lu ces mesures que les agents ont revu leurs règles et sont remontés à 72,4 % de spécificité et 33,5 % de réussite. VERID s'occupe du volet robotique : il confronte chaque protocole écrit par un agent à un jumeau numérique en direct, si bien que les commandes physiquement impossibles ou logistiquement invalides n'atteignent jamais le robot de manipulation de liquides.

Un agent peut écrire un code valide que le robot ne peut pas exécuter

Selon Google, un agent peut écrire un code syntaxiquement correct mais physiquement impossible, comme descendre une pipette à 8 canaux dans un réservoir étroit, ou logistiquement invalide, comme aspirer dans un puits vide. VERID, pour VERified Infrastructure for Discovery Laboratories, est un jumeau numérique sémantique du poste de travail bâti sur le framework open source PyLabRobot. Il suit la géométrie du bras robotique, le volume de chaque puits, l'identité des réactifs et le stock de cônes sous la forme d'un arbre d'entités 3D en direct, et ses essais à blanc simulent les protocoles en quelques secondes pour repérer collisions et puits vides avant de toucher aux réactifs. Dans un cas, le simulateur a refusé une aspiration à 8 canaux qui ne tenait pas dans un réservoir étroit, et l'agent a replanifié en concevant un diagnostic factoriel qui a isolé un biais dû au report résiduel sur la paroi du cône.

La chute du deuxième cycle a appris leurs règles aux agents

Chaque cible a buté sur un échec différent au laboratoire. Un cycle de conception, test et analyse prenait 7 à 10 jours, si bien que les trois cycles ont représenté des semaines de paillasse. Le premier cycle sur l'alpha-thrombine a donné 0 % de liants, car les extensions fixes des amorces perturbaient le repliement de 48 % des séquences ; les tiges flanquantes verrouillées introduites au deuxième cycle et la diversification du troisième ont porté le taux de réussite à 26,0 %, puis 42,1 %, avec 98,5 % de spécificité. La myoglobine a échoué dans l'autre sens. Privilégier la liaison brute et enrichir les motifs G-quadruplex jusqu'à 63 % des conceptions a augmenté la capture, mais la plupart de ces motifs étaient des liants « collants » non spécifiques, d'où la chute du deuxième cycle décrite plus haut. Les agents ont plafonné les motifs peu sélectifs, soustrait les liants des billes et basculé vers des échafaudages sans G4, pour atteindre 72,4 % de spécificité et un taux de réussite sur la cible multiplié par neuf, à 33,5 %.

Sur la protéine d'activation des fibroblastes alpha (FAP), un récepteur surexprimé dans les tumeurs solides, Google fait état de liants d'affinité nanomolaire à un chiffre obtenus « en quelques expériences seulement », un niveau qui, selon l'entreprise, n'est d'ordinaire atteint qu'après une longue optimisation en laboratoire. Retirer le reste de la cible pour ne garder que la poche de liaison locale pendant la prédiction de structure a accéléré cette étape d'un facteur 8,6 sans perte de précision structurale, et à calcul égal, un binôme scientifique-agent a presque doublé le taux de réussite in silico d'un scientifique travaillant seul.

Des humains autorisent toujours les séquences conçues, vérifient les protocoles et supervisent les passages des robots, et Google range parmi les problèmes ouverts le risque que les agents optimisent des raccourcis expérimentaux non voulus. La prochaine étape qu'il annonce consiste à associer l'automatisation traçable de VERID à l'apprentissage en boucle fermée pour la découverte de protéines.