谷歌研究团队：AI智能体如何安全操控湿实验室机器人

前沿AI模型在生成假设和计算机模拟分子设计方面表现出色，但在可靠推理三维几何和物理状态方面仍面临挑战。这一差距在生物学研究中形成了瓶颈：虽然智能体可以提出数千种候选序列，但验证它们需要反复进行真实的湿实验室实验周期。谷歌研究团队开发了一套基础模块，通过将推理锚定在物理实验室机器人上，使AI智能体能够导航复杂的生物景观。

核心创新是VERID（验证的发现实验室基础设施），它是实验室工作单元的语义数字孪生。VERID实时跟踪从机械臂几何结构到单个孔体积和试剂身份的一切信息。在智能体向液体处理机器人发送命令之前，它会在该数字孪生中模拟动作。这防止了物理上不可能的操作，例如将移液器放入太短的槽中，或逻辑上无效的操作，例如从耗尽的孔中吸取液体。该系统提供实时3D状态跟踪、快速虚拟试运行、硬件安全检查以及同步视频日志，允许智能体在多个周期中优化实验，而不会浪费试剂或损坏设备。

有了这个安全基础设施，研究人员展示了使用DNA适配体的闭环智能体科学发现。适配体是结合特定靶蛋白的单链DNA分子。在针对肌红蛋白和α-凝血酶的三个设计-测试-迭代周期系列中，AI智能体设计了候选序列，这些序列在磁珠上进行筛选并进行测序以返回定量数据。智能体从湿实验室读数中学习以克服失败模式。例如，当肌红蛋白的初始设计由于G-四链体基序导致非特异性“粘性”结合物时，智能体在下一轮自主修改了其设计规则，限制混杂基序并转向不同的结构支架。这种自适应过程将确认的靶向命中率提高到肌红蛋白的33.5%和α-凝血酶的42.1%。

该团队还将此工作流程应用于从头蛋白质结合物设计，这是一项更复杂的任务，因为蛋白质必须通过生物表达而不是化学合成。以成纤维细胞激活蛋白α（FAP）为靶点，他们引入了一种称为外科表位切除的技术。通过在折叠模拟过程中仅计算去除局部结合口袋，他们将结构预测加速了8.6倍。这使得人类-智能体混合流水线与单独工作的科学家相比，几乎将使计算机模拟命中率翻倍。最终的设计产生了具有个位数纳摩尔亲和力的结合物，这种紧密程度通常只有在经过大量实验室优化轮次后才能达到。

这些努力突出了向人类主导的自主发现的转变。虽然当前系统在严格生物安全筛查和人类监督下运行于受控的非传染性测试平台上，但它们证明AI智能体可以有效地从实验噪声和物理约束中学习。通过结合VERID的可追溯自动化与闭环学习，谷歌研究团队正在为智能体直接导航崎岖的生物搜索空间奠定基础，这可能加速生命科学中的分子发现步伐。