VERID, do Google Research, bloqueia comandos impossíveis para robôs enquanto agentes de laboratório chegam a taxas de acerto de 33,5% e 42,1% com aptâmeros

O Google Research descreveu em 16 de outubro três projetos que colocam agentes de IA no laboratório úmido, entre eles um verificador que bloqueia comandos impossíveis para robôs e uma campanha com aptâmeros cujas taxas de acerto confirmadas chegaram a 33,5% e 42,1% em três rodadas. Annalisa Pawlosky lidera a pesquisa.

Os ganhos vieram do retorno do laboratório úmido, algo que um modelo sozinho não conseguiria fornecer. Na mioglobina, os desenhos da segunda rodada pareciam melhores em ligação bruta, mas a especificidade caiu de 75,0% para 19,1% e a taxa de acerto real de 10,2% para 3,7%; só depois de ler essa medição os agentes revisaram suas regras e se recuperaram para 72,4% de especificidade e 33,5% de acerto. O VERID cuida da parte robótica: confere cada protocolo escrito por um agente com um gêmeo digital ao vivo, para que comandos fisicamente impossíveis ou logisticamente inválidos nunca cheguem ao robô de manipulação de líquidos.

Um agente pode escrever código válido que o robô não consegue executar

Segundo o Google, um agente pode escrever código sintaticamente correto, mas fisicamente impossível, como baixar uma pipeta de 8 canais numa cuba estreita, ou logisticamente inválido, como aspirar de um poço vazio. O VERID, sigla de VERified Infrastructure for Discovery Laboratories, é um gêmeo digital semântico da estação de trabalho construído sobre o framework de código aberto PyLabRobot. Ele acompanha a geometria do braço robótico, o volume de cada poço, a identidade dos reagentes e o estoque de ponteiras como uma árvore de entidades 3D ao vivo, e suas simulações a seco reproduzem protocolos em segundos para detectar colisões ou poços vazios antes de tocar nos reagentes. Num caso, o simulador rejeitou uma aspiração de 8 canais que não cabia numa cuba estreita, e o agente replanejou com um diagnóstico fatorial que isolou um viés causado pelo arraste residual na parede da ponteira.

A queda da segunda rodada ensinou as regras aos agentes

Cada alvo esbarrou numa falha diferente no laboratório úmido. Cada ciclo de desenho, teste e análise levou de 7 a 10 dias, de modo que as três rodadas somaram semanas de trabalho de bancada. A primeira rodada com alfa-trombina rendeu 0% de ligantes porque as extremidades fixas dos primers atrapalharam o dobramento em 48% das sequências; as hastes flanqueadoras com grampo da segunda rodada e a diversificação da terceira elevaram a taxa de acerto para 26,0% e depois 42,1%, com 98,5% de especificidade. A mioglobina falhou no sentido oposto. Priorizar a ligação bruta e enriquecer motivos G-quadruplex até 63% dos desenhos aumentou a captura, mas a maioria desses motivos era de ligantes "grudentos" inespecíficos, o que levou à queda da segunda rodada descrita acima. Os agentes limitaram os motivos promíscuos, descontaram os ligantes das esferas e migraram para estruturas sem G4, chegando a 72,4% de especificidade e a uma alta de nove vezes na taxa de acerto no alvo, para 33,5%.

Na proteína de ativação de fibroblastos alfa (FAP), um receptor superexpresso em tumores sólidos, o Google relata ligantes com afinidade nanomolar de um dígito "em apenas alguns experimentos", nível que, segundo a empresa, costuma exigir longa otimização em laboratório. Recortar o restante do alvo e manter apenas o bolsão de ligação local durante a predição de estrutura acelerou essa etapa 8,6 vezes sem perda de precisão estrutural, e com a mesma capacidade de computação uma dupla de cientista e agente quase dobrou a taxa de acerto in silico de um cientista trabalhando sozinho.

Pessoas ainda autorizam as sequências desenhadas, verificam os protocolos e supervisionam as execuções dos robôs, e o Google aponta como problema em aberto o risco de os agentes otimizarem atalhos experimentais indesejados. O próximo passo que a empresa cita é combinar a automação rastreável do VERID com o aprendizado em circuito fechado para a descoberta de proteínas.