谷歌研究院让 AI 智能体上湿实验台：数字孪生拦下做不到的移液指令，适配体命中率三轮后达 42.1%

谷歌研究院的 AI 智能体在蛋白质结合适配体上跑了三轮湿实验，把经确认的在靶命中率推到 33.5%（肌红蛋白）和 42.1%（α-凝血酶）；数字孪生 VERID 则在指令送进液体处理机器人前拦下做不到的操作。研究由 Annalisa Pawlosky 牵头，10 月 16 日随博客公布。

这些提升来自模型自己给不出的东西：湿实验的读数。谷歌研究院称，前沿模型对三维几何和物理状态的推理仍不可靠，而真实湿实验的节奏又跟不上干实验（in silico）设计。

数字孪生先拦下做不到的指令

VERID 是实验室工作单元的语义数字孪生：一棵实时、有状态的三维体积实体树，跟踪机械臂几何、各孔体积、试剂身份和枪头库存，基于开源框架 PyLabRobot。谷歌研究院称，智能体能写出语法正确、物理上做不到的代码，比如把 8 通道移液器伸进过矮的试剂槽，或从吸空的孔里取样。它用几秒钟的虚拟空跑试出碰撞和空孔，在指令到达机器人前做硬件安全检查。

第二轮特异性掉到 19.1%，智能体靠读数改规则

适配体项目跑了三轮设计、测试、迭代，一个完整循环要 7 到 10 天。α-凝血酶第一轮命中率是 0，因为固定引物悬垂破坏了 48% 序列的折叠；第二轮引入夹式侧翼茎（clamped flanking stems）后升到 26.0%，第三轮升到 42.1%、特异性 98.5%。肌红蛋白第二轮把原始结合亲和力放首位，G-四链体基序占到 63%，但多是黏上非靶蛋白和裸磁珠的非特异性结合体，特异性从 75.0% 掉到 19.1%；智能体据此限制杂乱基序、扣减磁珠结合体、改用非 G4 骨架，特异性回到 72.4%，在靶命中率提高约九倍到 33.5%。

蛋白质这边，针对实体瘤里高表达的成纤维细胞活化蛋白 α（FAP），靠前的设计在几次实验里就拿到单位数纳摩尔级亲和力的结合蛋白。在结构预测中只截取局部结合口袋参与折叠预测（重折叠最吃 GPU、计算量随靶点长度二次增长），结构预测快了 8.6 倍、结构精度不降；同等算力下，科学家定策略、智能体执行把干实验命中率几乎翻倍。

谷歌研究院称，测试用非感染性体系、没有功能增益风险，每条设计序列都过生物安全筛查，没验证的代码不会直接发给液体处理机器人；授权审查、方案核对和机器人运行监督仍由人来做；如何确保智能体优化的是真实的靶点结合、而不是钻实验流程的空子，也被谷歌列为待解问题。

谷歌研究院写明的下一步，是把 VERID 的可追溯自动化和蛋白质发现的闭环学习合到一起。