Google Research hat drei Forschungsprojekte vorgestellt, in denen KI-Agenten Laborversuche steuern oder Molekülentwürfe anhand gemessener Ergebnisse überarbeiten. Das Framework VERID verbindet Agenten mit Pipettierrobotern. Verwandte Prototypen für DNA-Aptamere und neue Proteine untersuchen, wie Rückmeldungen aus Experimenten die nächsten Entwürfe verbessern können.
VERID erfasst den aktuellen Zustand des Roboterarbeitsplatzes
Grundlage von VERID ist laut Google Research ein laufend aktualisierter semantischer digitaler Zwilling des Laborarbeitsplatzes. Er erfasst neben der räumlichen Anordnung und der Geometrie der Roboterarme auch die Flüssigkeitsmenge in einzelnen Vertiefungen, die Identität der Reagenzien und die verfügbaren Pipettenspitzen. Das Forschungsteam hat ihn auf dem quelloffenen Framework PyLabRobot aufgebaut.
Über diese Umgebung plant, simuliert und führt der Agent Pipettierprotokolle aus. Nach Angaben von Google Research erkennt ein virtueller Probelauf innerhalb von Sekunden beispielsweise Kollisionen oder den Versuch, Flüssigkeit aus einer leeren Vertiefung aufzunehmen. Prüfungen blockieren ungültige Befehle, bevor sie den Roboter erreichen. Synchronisierte Kameraaufnahmen und Aktionsprotokolle halten den Versuchsablauf für eine spätere Auswertung fest.
Aufzeichnungen halfen beim Mischen und nach einem Geräteausfall
In einer Fallstudie half die Kombination aus Video und aufgezeichneten Arbeitsschritten, eine ungleichmäßige Schichtung von Farbstoff zu erkennen. Laut den Forschenden war die Flüssigkeit zu nah am Boden der Vertiefung abgegeben worden; der Agent passte daraufhin seine Mischstrategie an. In derselben Versuchsreihe ermöglichte der gespeicherte Zustand des digitalen Zwillings, nach dem Ausfall eines Plattenlesegeräts weiterzuarbeiten, ohne erneut pipettieren zu müssen.
In einem weiteren Experiment sollte der Agent Farbstoffmischungen unbekannter Zusammensetzung anhand von Aufnahmen einer darüber angebrachten Kamera rekonstruieren. Dazu entwarf und startete er wiederholt Roboterversuche und suchte zwischen den Durchläufen nach optischen und flüssigkeitsbedingten Artefakten, die seine Ergebnisse beeinflussten. Google Research berichtet für diese konkrete Aufgabe von einer mehr als fünffachen Verbesserung der Genauigkeit.
Drei Aptamer-Runden zeigten Fortschritte und einen Irrweg
Bei proteinbindenden DNA-Aptameren erprobte das Team drei Zyklen aus Entwurf, Experiment und anschließender Überarbeitung. Ein solcher Zyklus dauert laut Google Research 7–10 Tage. Die Agenten entwerfen Sequenzen, die gegen Zielproteine auf Magnetkügelchen getestet werden. Die anschließende Sequenzierung liefert quantitative Ergebnisse für die nächste Runde.
Bei der Suche nach Molekülen für α-Thrombin brachte die erste Runde keine erfolgreichen Kandidaten hervor. Google Research führt dies auf feste Primerüberhänge zurück, die bei 48 % der Sequenzen die Faltung störten. Nach dem Einbau flankierender stabilisierender Stammstrukturen in der zweiten Runde erreichte die Trefferquote 26,0 %. Eine größere Vielfalt der Entwürfe in der dritten Runde steigerte sie auf 42,1 %, bei einer abschließenden Spezifität von 98,5 %.
Das Experiment mit Myoglobin zeigte dagegen, wie die Optimierung allein auf Bindungsaffinität das Ergebnis verschlechtern kann. Laut den Forschenden enthielten in der zweiten Runde 63 % der Entwürfe G-Quadruplex-Motive. Die meisten banden jedoch auch an andere Proteine und an die Kügelchen selbst. Die Spezifität sank von 75,0 % auf 19,1 %, die um die Bindung an Kügelchen bereinigte Trefferquote von 10,2 % auf 3,7 %.
Auf Grundlage dieser Messungen änderten die Agenten laut Google Research selbstständig ihre Entwurfsregeln: Sie begrenzten unspezifische Motive, rechneten die Bindung an Kügelchen heraus und wechselten zu Strukturen ohne G-Quadruplexe. In der dritten Runde erreichte die Spezifität 72,4 % und der Anteil erfolgreicher Moleküle, die das Zielprotein banden, 33,5 %. Die Forschenden beziffern Letzteres auf das Neunfache der vorherigen Runde.
Lokaler Fokus beschleunigt die Proteinstrukturvorhersage
Das dritte Projekt befasst sich mit dem Entwurf neuer proteinbasierter Bindemoleküle. Google Research wandte das Verfahren auf das Fibroblasten-Aktivierungsprotein alpha (FAP) an, einen Rezeptor, der in soliden Tumoren verstärkt exprimiert wird. Nach Angaben des Teams erreichten die besten Entwürfe nach wenigen Versuchsdurchläufen Bindungsaffinitäten im einstelligen nanomolaren Bereich.
Den rechnerischen Teil passte das Team so an, dass sich die Faltungsvorhersage auf die lokale Bindungsstelle konzentriert. Laut Google Research beschleunigte dies die Strukturvorhersage um das 8,6-Fache, ohne die strukturelle Genauigkeit zu beeinträchtigen. Die Änderung setzt am rechenintensivsten Teil des Entwurfs von Proteinkomplexen an.
Bei gleichem Rechenaufwand erzielte die Zusammenarbeit eines Wissenschaftlers mit einem Agenten laut Google Research eine nahezu doppelt so hohe Trefferquote bei computergestützten Entwürfen wie der Wissenschaftler allein. Zudem fanden sich erfolgreiche Entwürfe für ein breiteres Spektrum an Zielstellen. Der Wissenschaftler legte die übergeordnete Strategie fest, während der Agent die taktische Umsetzung übernahm. Für die parallele Laborprüfung großer Variantenbibliotheken führte das Team die Präsentation von Proteinen auf der Oberfläche von Hefezellen und die fluoreszenzaktivierte Zellsortierung (FACS) ein.
Die Verbindung von VERID und Proteinentdeckung ist der nächste Schritt
Die Versuche stehen laut Google Research unter direkter menschlicher Aufsicht: Menschen genehmigen und prüfen die entworfenen Sequenzen, kontrollieren Laborprotokolle und beaufsichtigen die Roboterdurchläufe. Jede Sequenz durchläuft ein Biosecurity-Screening. Jedes Protokoll in VERID wird vor dem Einsatz von Reagenzien simuliert und anhand des digitalen Zwillings validiert.
Als nächsten Schritt plant Google Research, die nachvollziehbare Automatisierung von VERID mit dem Lernen aus wiederholten Experimenten zur Proteinentdeckung zu verbinden. Dadurch sollen Agenten komplexe biologische Entwurfsmöglichkeiten unmittelbar im Labor erkunden können.
