A Google zárt ciklusú laboratóriumi felfedezésben teszteli az AI-ügynököket

A következtetés összekapcsolása a labor fizikai állapotával

A Google Research három olyan projektet mutatott be, amelyek az AI-ügynökök tervezését valós biológiai laboratóriumi kísérletekkel kapcsolják össze. A cél nem egy felügyelet nélküli labor, hanem gyorsabb, ember által irányított tervezés–tesztelés–tanulás ciklusok kialakítása: az ügynök kísérletet javasol, fizikai mérési eredményt kap, majd módosítja a következő lépést.

Az első építőelem a VERID, egy laboratóriumi munkacella szemantikus digitális ikre, amely a nyílt forrású PyLabRobot keretrendszerre épül. Élő, háromdimenziós nyilvántartást vezet az asztal geometriájáról, a mikrolemez mélyedéseinek folyadékmennyiségéről, a reagensekről és a pipettahegyek készletéről. Mielőtt a kód eljutna a folyadékkezelő robothoz, a VERID szimulálhatja a protokollt, blokkolhat ütközést vagy lehetetlen felszívást, és szinkronizált videó- valamint műveleti naplót készíthet.

A Google több esettanulmányról számol be. A rendszer felismerte a lemez mélyedésének aljához túl közel végzett adagolás miatti egyenetlen festékkeveredést, egy lemezolvasó hibája után a korábbi pipettázás ismétlése nélkül folytatta a munkát, továbbá elutasított egy keskeny vályúba fizikailag be nem férő nyolccsatornás műveletet. Vak festékkeverékek rekonstruálásakor az ismételt kísérletek több mint ötszörös pontosságjavulást hoztak. Ezek kontrollált kutatási demonstrációk, nem egy általános autonóm labor bizonyítékai.

Tanulás a sikertelen aptamerkörökből

A második projekt célfehérjéhez kötődő rövid DNS-szakaszokat, úgynevezett aptamereket használt gyorsabb, mérésből tanuló tesztkörnyezetként. A jelölt szekvenciákat megtervezték, összevont könyvtárakban kémiailag szintetizálták, célfehérjékkel szemben szűrték, majd szekvenálták, hogy az eredmények irányítsák a következő kört. Egy teljes ciklus hét-tíz napot vett igénybe.

Három kör után a Google a mioglobinnál 33,5, az alfa-trombinnál 42,1 százalékos igazolt célkötési találati arányról számolt be. Az út nem volt egyenes. Az alfa-trombin első körében a rögzített primer-túlnyúlások sok jelölt feltekeredését zavarták; a módosított szélső szárak később 42,1 százalékos találati arányt és 98,5 százalékos specificitást eredményeztek.

A mioglobinnál a nyers affinitás optimalizálása olyan G-kvadruplex motívumokat dúsított, amelyek gyakran nem célfehérjékhez és mágneses gyöngyökhöz is tapadtak. A specificitás 75,0-ről 19,1 százalékra, a gyöngyhatással korrigált találati arány 10,2-ről 3,7 százalékra esett. Az ügynökök szabálymódosítása után a specificitás 72,4 százalékra, a célzott találati arány 33,5 százalékra javult.

Fehérjetervezés és a szükséges biztosítékok

A harmadik projekt a szilárd daganatokban fokozottan jelen lévő fibroblaszt-aktivációs fehérje alfát célozta. A Google szerint az ember–ügynök munkafolyamat helyi epitópkivágással 8,6-szer gyorsította a szerkezetbecslést, a pontosság elvesztése nélkül. Azonos számítási keret mellett az együttműködés közel megduplázta a számítógépes találati arányt az egyedül dolgozó kutatóhoz képest, a laboratóriumi szűrés pedig egyszámjegyű nanomoláris affinitású kötőket eredményezett.

A csapat hangsúlyozza, hogy a folyamatok továbbra is felügyeltek. Nem fertőző, funkciónyerési kockázat nélküli tesztrendszereket választottak, minden tervezett szekvenciát biztonsági szűrésnek vetettek alá, a robotműveleteket végrehajtás előtt szimulálták, az emberek pedig engedélyezték a szekvenciákat, ellenőrizték a protokollokat és felügyelték a futásokat. Nyitott kérdés a kísérleti elrendezés torzításait kihasználó látszateredmények kiszűrése, a többlépéses eljárások ellenőrzése, valamint a következtetés és végrehajtás folyamatos auditja. A munka ezért autonóm felfedezéshez szükséges elemeket, nem kész autonóm labort mutat be.