Google Research、ラボの自動化にAIエージェント　デジタルツインVERIDが実行不能なロボット命令を阻止、アプタマーのヒット率は33.5%と42.1%に

Google Researchは10月16日、AIエージェントをウェットラボで働かせる3つのプロジェクトを公表した。実行できないロボット命令を止めるチェック機構と、3ラウンドで確認済みヒット率が**33.5%と42.1%**に達したアプタマー探索が含まれる。研究を率いるのはAnnalisa Pawlosky氏だ。

成果を生んだのは、モデル単独では得られないウェットラボからのフィードバックだった。ミオグロビンでは、第2ラウンドの設計は生の結合量では良く見えたが、特異性は75.0%から19.1%に、真のヒット率は10.2%から3.7%に下がった。その測定結果を読んだ後で初めてエージェントは設計ルールを改め、特異性72.4%、ヒット率33.5%まで回復させた。VERIDが担うのはロボット側だ。エージェントが書いたプロトコルをすべてリアルタイムのデジタルツインと照合し、物理的に不可能な命令や手順上無効な命令が液体分注ロボットに届かないようにする。

文法的に正しくてもロボットが実行できないコードがある

Googleによれば、エージェントは文法的には正しくても物理的に不可能なコード（8チャンネルピペットを狭いトラフに下ろすなど）や、手順上無効なコード（空になったウェルから吸引するなど）を書くことがある。VERID（VERified Infrastructure for Discovery Laboratories）は、オープンソースのPyLabRobotフレームワーク上に構築されたラボのワークセルのセマンティックなデジタルツインだ。ロボットアームの形状、ウェルの液量、試薬の種類、チップの在庫をリアルタイムの3Dエンティティツリーとして追跡し、ドライランでは数秒でプロトコルをシミュレーションして、試薬に触れる前に衝突や空のウェルを見つける。ある事例では、狭いトラフに収まらない8チャンネル吸引をシミュレーターが拒否し、エージェントは計画を立て直して要因計画の診断実験を設計し、チップ壁面の残留キャリーオーバーによる偏りを特定した。

第2ラウンドの落ち込みがエージェントにルールを教えた

標的ごとにウェットラボでの失敗の形は違った。設計・試験・解析の1サイクルは7〜10日かかり、3ラウンドで数週間分のウェットラボ作業になる。αトロンビンの第1ラウンドでは結合体は0%だった。固定されたプライマーのオーバーハングが48%の配列のフォールディングを妨げたためだ。第2ラウンドでクランプ付きのフランキングステムを導入し、第3ラウンドで多様化すると、ヒット率は26.0%、さらに42.1%に上がり、特異性は98.5%だった。ミオグロビンは逆の形で失敗した。生の結合を優先してGカドルプレックスモチーフを設計の63%まで増やすとプルダウン量は増えたが、その大半は非特異的に「くっつく」結合体で、前述の第2ラウンドの落ち込みにつながった。エージェントは無差別に結合するモチーフに上限を設け、ビーズ結合体を差し引き、非G4の骨格に切り替えて、特異性72.4%、オンターゲットヒット率は9倍の33.5%に達した。

固形がんで過剰発現する受容体、線維芽細胞活性化タンパク質α（FAP）では、「わずか数回の実験」で一桁ナノモルの結合体が得られたとGoogleは報告している。通常は大規模なラボでの最適化を経てようやく届く水準だという。構造予測の際に標的の残りを切り落として局所的な結合ポケットだけを残すと、この工程は構造精度を落とさずに8.6倍速くなった。同じ計算量では、科学者とエージェントの組み合わせが、科学者単独の場合に比べてin silicoのヒット率をほぼ2倍にした。

設計配列の承認、プロトコルの検証、ロボット運転の監督は今も人間が担っており、エージェントが意図しない実験上の近道を最適化してしまう問題は未解決の課題として挙げられている。Googleが示す次の段階は、VERIDの追跡可能な自動化とタンパク質探索の閉ループ学習を組み合わせることだ。