Egy kutatócsoport a számítógépes (in‑silico) tervezés és a valós, nedves laboratóriumi kísérletek közötti szakadék csökkentésén dolgozik. Három fő irányt mutatnak be: egy szeminantikus digitális iker‑keretrendszert (VERID), zárt hurkú aptamer‑felfedezési ciklusokat, illetve felgyorsított de‑novo fehérjekötő tervezést. A munka célja, hogy AI‑ügynökök biztonságosan és erőforrás‑hatékonyan vezéreljék a robotizált laboratóriumi műveleteket, iteratív módon teszteljék és javítsák hipotéziseiket, miközben emberi felügyelet biztosított.
A kihívás
Két egymással összefüggő probléma jelenti a fő akadályt a teljes automatizálás felé vezető úton. Egyrészt a legmodernebb modellek pontatlanul kezelik a háromdimenziós geometriai és fizikai állapotokat, ami kritikus a folyadékkezelő robotok biztonságos és helyes működtetéséhez. Másrészt a generatív és ügynökalapú tervezés gyorsan fejlődik, de a valós laboratóriumi ellenőrző kísérletek nem tudnak ugyanolyan sebességgel reagálni, így a kísérleti visszacsatolás gyakran szűk keresztmetszet.
VERID: digitális iker a laborban
A VERID (VERified Infrastructure for Discovery Laboratories) egy olyan szeminantikus digitális iker, amely a labor munkacellájának állapotát valós időben, állapotszerű 3D volumestruktúraként követi. A rendszer a robotkarok geometriájától a lemezek egyes gödreinek térfogatán át a reagensazonosítókig és pipettahegy‑készletig minden releváns elemet modellez.
VERID a nyílt forráskódú PyLabRobot keretrendszerre épül, és négy alapvető képességet ad:
- Élő 3D állapott követés: az ügynökök lekérdezhetik a dekksorrendet, gödörtérfogalat és elérhető tippeket, mielőtt parancsot adnak.
- Gyors virtuális „dry run”-ok: másodpercek alatt szimulálhatók protokollok, így ütközések vagy üres kivételek elkerülhetők a reagens érintése előtt.
- Hardverbiztonsági ellenőrzések: érvénytelen parancsok blokkolása a robotnak küldés előtt.
- Szinkronizált videó és műveleti naplók: minden futás teljes rögzítése a reprodukálhatóság és hibakeresés érdekében.
Esettanulmányokból látható előnyök: a szinkron videó és végrehajtási nyomok feltárták a festékrétegződés egyenetlenségét, amikor a kiadagolás túl közel történt a gödör aljához; a digitális iker állapota menet közben lehetővé tette egy leolvasó meghibásodás miatti helyreállítást újrapipettázás nélkül; a szimulátor visszautasított egy fizikailag lehetetlen 8‑csatornás aspirációt, az ügynök pedig újratervezve célzott diagnosztikát futtatott, amely felfedett egy tippfalról származó átvitel okozta torzítást. Egy zárt hurkú önjáték kampányban az ügynök iteratívan tervezett és futtatott robotkísérleteket, hogy overhead kameraképekből rekonstruáljon vakon kevert festékeket, és saját optikai és fluidikai artefaktjait javítva több mint ötszörös pontosságnövekedést ért el.
A részletes végrehajtási és nyomkövetési naplók — beleértve a tartózkodási időket, párolgást és a lemezelrendezést — alapot adnak ahhoz, hogy az ügynökök elkülöníthessék a biológiai jeleket a kísérleti zajtól, miközben több párhuzamos jelöltet vizsgálnak és finomítanak.
Zárt hurkú aptamer‑felfedezés: tanulás a labornál
Az „Aptamers as a sandbox for lab‑in‑the‑loop agentic molecular discovery” című munkában DNS‑alapú, fehérjéhez kötődő aptamereket használtak zárt hurkú prototipusként három tervezés‑teszt‑iterációs körön keresztül. Aptamerek esetén a teljes ciklus általában 7–10 nap alatt megvan, mert a DNS kémiailag szintetizálható poolokban és direkt szekvenálással olvasható vissza.
Minden körben az ügynökök jelölt szekvenciákat terveztek, ezeket mágneses gyöngyökön célfehérjékre szűrték, majd szekvenálták a kvantitatív visszajelzésért. Két célfehérjén, myoglobinon és α‑thrombinon három kör alatt a mesterséges intelligencia‑vezérelt racionális és de‑novo tervezés jelentősen növelte a megerősített on‑target találatok arányát: myoglobin esetén 33,5%-ra, α‑thrombinnál 42,1%-ra.
Konkrét eredmények és kihívások:
- α‑thrombin: az 1. körben 0% kötődőt találtak, mert a rögzített primer‑félfogak a szekvenciák 48%-ában zavarják a hajtogatást. Az ügynökök a 2. körben klámpolt flanking szárakat vezettek be, a 3. körben diverzifikáltak, és így a találati arány 26,0%‑ra, később 42,1%‑ra emelkedett 98,5% specificitás mellett.
- Myoglobin: a 2. körben az ügynökök az erős kötődésre optimalizálva G‑quadruplex motívumokat erősítettek (a tervek 63%-a). Bár a kapott húzás növekedett, a laboradatok kimutatták, hogy ezek többnyire nem‑specifikus, „ragadós” kötődők voltak, amelyek off‑target fehérjékhez és a csupasz mágneses gyöngyökhöz tapadtak; ennek következtében a specificitás 75,0%‑ról 19,1%‑ra, a gyöngy‑korrekcióval számolt tényleges találati arány 10,2%‑ról 3,7%‑ra csökkent. Az ügynökök a 3. körre autonóm módon módosítottak tervezési szabályokat: korlátozták a promiszkuitásra hajlamos motívumokat, levonták a gyöngy‑kötődő jelölteket és nem‑G4 szerkezeti szkelettek felé fordultak; így a specificitás 72,4%‑ra nőtt és az on‑target találati arány kilencszeresére emelkedett (33,5%).
A tanulmány azt is vizsgálja, hogy az ügynökök hogyan érvelnek tudós módjára, elemeznek adatokat és javasolnak laborprotokoll‑módosításokat, de néha szokatlan irányokat is felfedeznek, amelyek strukturális biológusok által kevésbé vizsgált szekvenciaterületekre vezetnek.
Felgyorsított de‑novo fehérjekötő tervezés
A fehérjék zárt hurkú feldolgozása összetettebb: míg az aptamerek kémiailag szintetizálhatók, a fehérjéket biológiailag kell expresszálni, ezért minden iteráció sejtes vagy sejten kívüli szelekciót, expressziót és hajtogatási vizsgálatot igényel. A nagyobb szekvenciatér és a laborbeli lépések torlódást okoznak mind a számítási, mind a nedves labori oldalon.
Az „Agent‑guided epitope excision enables economical de‑novo binder design” munkában a csapat a fibroblast activation protein alpha (FAP) receptoron dolgozott, amelyet daganatokban túltermelnek, és nehezen célozható. Néhány kísérleti kör után a legjobb tervek egyjegyű nanomoláris affinitású kötődőket adtak — olyan szintű, gyógyszerhez hasonló kötést, amit általában hosszadalmas laboroptimalizációval érnek el.
Számítási fejlesztés: a de‑novo tervezésnél a jelöltvázak generálása, a szekvenciatervezés és az újrahajtogatás (re‑folding) a költségdomináns lépések. Az újrahajtogatás GPU‑igénye kvadratikusan növekszik a célhossz függvényében. Azáltal, hogy csak a lokális kötődési zsebet „kimetszik” a hajtogatás során, a csapat több mint nyolcszoros gyorsulást ért el ciklusonként anélkül, hogy szerkezeti pontosságot vesztett volna. Így a döntés arról, hogy hol kössünk és mennyi környező szerkezetet vegyünk figyelembe, taktikai paraméterszintre kerül, amit a nagy nyelvi modellek ügynökei jól képesek optimalizálni.
Egy egyenlő számítási erőforráson végzett összehasonlításban az ember–ügynök együttműködés, ahol a kutató adja a stratégiai irányt és az ügynök viszi a taktikai végrehajtást, közel megduplázta az in‑silico találati arányt egy kutató egyedül végzett munkájához képest, és sokkal szélesebb célhelyekre talált potenciális kötődőket. A nedves labor skálázásához a csapat operationalizálta a yeast surface display‑t FACS (fluorescence‑activated cell sorting) segítségével, lehetővé téve nagy könyvtárak párhuzamos szűrését fluoreszcencia alapján.
A következő lépés a VERID által biztosított teljesen nyomon követhető automatizálás és a zárt hurkú tanulás összehangolása annak érdekében, hogy az ügynökök közvetlenül navigálhassanak a komplex, tagolt biológiai keresési tereken a nedves labor környezetben.
Biztonság és felügyelet
A munka a Google Frontier Safety Framework és a bioresilience megközelítésével összhangban többféle védvonalat épít be:
- Biztonságos tesztkörnyezetek és szűrés: kontrollált, nem fertőző rendszereket választottak, amelyek nem jelentenek gain‑of‑function kockázatot; minden tervezett szekvencia bio‑biztonsági szűrésen megy keresztül.
- Szimuláció végrehajtás előtt: VERID segítségével az ügynökök soha nem küldenek közvetlenül ellenőrizetlen kódot a folyadékkezelő robotoknak; minden protokoll először dry‑run szimuláción és digitális iker ellenőrzésen megy át.
- Emberi felügyelet: emberek hagyják jóvá és vizsgálják felül a tervezett szekvenciákat, ellenőrzik a laborprotokollokat és felügyelik a robotfutásokat.
A szerzők rámutatnak, hogy ahogy az ügynökök nagyobb részt vállalnak a tervezés‑teszt ciklusból, új biztonsági és megbízhatósági kihívások jelennek meg: biztosítani kell, hogy az ügynökök valódi célkötődésre optimalizáljanak a kísérleti rövidítések helyett, ellenőrizni kell a többlépcsős laborprotokollokat, és folyamatosan figyelni kell az ügynökök érvelését és végrehajtási naplóit.
Következtetések
A VERID digitális iker, a zárt hurkú aptamer‑ciklusok és a gyorsított de‑novo fehérjekötő tervezés együttesen olyan alapköveket alkotnak, amelyek ember által irányított, fokozatosan egyre önállóbb felfedezést tehetnek lehetővé az élettudományokban. A bemutatott eredmények — a működő digitális iker‑biztonság, a többkörös aptamer‑javulás és az egyjegyű nanomoláris kötődés elérése kihívást jelentő célpontnál — előrehaladást jeleznek a labor‑in‑the‑loop automatizáció és az ügynökalapú tudományos felfedezés felé.
Elismerések
A kutatást Annalisa Pawlosky vezeti, Pooja Rao és Petar Sirkovic társ vezetésével. A támogatott cikkek és kollaborációk szerzői között szerepelnek: Zach Cutts, John Coller, Rachel Chen, Mathias Bellaiche, Hua Tang, Ryder Easterlin és Dina Zverinski (aptamer‑felfedezés); Jun Kim, Artiom Myaskovsky, Oscar Donosa, Jamie Rogers és Lawrence Chan (fehérjetervezés); valamint Yves Delley, John Coller, Zach Cutts, Alexander Daryin, Mathias Bellaiche, Jun Kim, Oscar Donosa, Srinidhi Seshadri, Tanner Clary és Sandy Klemm, kiegészítő technikai és kísérleti hozzájárulásokkal Xinyi Deng, Sanath Ramachandran és Jiawu Bi (VERID automatizálás). További köszönet Reuven Sayag, Avinatan Hassidim, Ronit Levavi Morad, Yossi Matias és James Manyika vezetői útmutatásáért, valamint Matthias Heiler, Burak Gokturk, Bill Jia és Pushmeet Kohli támogatásáért. Köszönik továbbá Shekoofeh Azizi, Andrew Carroll, Philip Q. Nelson, Yishay Mansour, Dan Popovici és Riccardo Pisoni lektorálását és visszajelzéseit, Amanie Brik általános hozzájárulását, és Udi Graff vizuális tervezését.
