Google объединяет ИИ-агентов с лабораторной робототехникой для снижения расходов на биотехнологии
Передовые системы искусственного интеллекта функционируют в рамках огромных комбинаторных пространств, где одна стоаминокислотная белковая цепь охватывает по меньшей мере $20^{100}$ возможных последовательностей. Это порождает серьезное узкое место при попытке связать высокоуровневые вычислительные рассуждения с физическими лабораторными экспериментами. Как сообщили научные сотрудники Google Research Пуджа Рао и Аннализа Павлоски вместе с инженером-программистом Петаром Сирковичем, преодоление этого трения требует вывода ИИ-агентов из чисто цифровой среды и их непосредственного закрепления в физической лабораторной робототехнике.
Реализация замкнутого цикла молекулярных исследований требует решения двух взаимосвязанных задач, поскольку передовые модели все еще не умеют надежно оперировать трехмерной геометрией и физическим состоянием, тогда как эксперименты в реальных мокрых лабораториях отстают по темпам. Чтобы соединить рассуждения агентов с физической реальностью, подразделение Google Research внедрило фреймворк VERified Infrastructure for Discovery Laboratories, выступающий в роли семантического цифрового двойника лабораторной рабочей ячейки в виде живого дерева трехмерных объемных объектов с отслеживанием состояний.
Построенная на базе открытого фреймворка PyLabRobot, система VERID предоставляет четыре ключевые возможности: отслеживание трехмерного состояния в реальном времени, быстрые виртуальные прогоны, проверки безопасности аппаратного обеспечения и синхронизированные журналы видеозаписей и действий. Эти функции позволяют агентам проверять раскладку планшета, объемы лунок и доступные наконечники перед началом работы, а также симулировать протоколы за считанные секунды для выявления столкновений или пустых лунок до контакта с реагентами. Это выглядит как практический сдвиг от расплывчатых цифровых спекуляций к строгом физическому исполнению с проверкой на ошибки.
В ходе кампаний по самообучению в замкнутом цикле агенты итеративно проектировали и запускали робот-эксперименты для восстановления заслепленных смесей красителей по изображениям с камеры верхнего обзора, улучшив точность более чем в пять раз. В проектах аптамерных песочниц, где ДНК-аптамеры с белковым связыванием прототипируют лабораторию в замкнутом цикле, полные циклы проектирования, тестирования и анализа занимают всего от 7 до 10 дней, поскольку ДНК можно химически синтезировать в пулу библиотек и считывать напрямую путем секвенирования.
За три раунда на двух белковых мишенях с разной степенью сложности рациональный и de novo дизайн на базе ИИ повысил подтвержденные показатели попадания в цель до 33,5% для миоглобина и 42,1% для $\alpha$-тромбина. На $\alpha$-тромбине первый раунд дал 0% связующих веществ, поскольку фиксированные выступающие праймеры нарушили сворачивание в 48% последовательностей, иллюстрируя необходимость эмпирической обратной связи вместо чисто ин-силико исследований.
При рассмотрении базовой экономики R&D стоимость неудач комбинаторного поиска в традиционных биотехнологических пайплайнах исторически подрывала распределение капитала, причем миллионы расходовались впустую на тупиковые физические итерации, вызванные ошибочными предположениями ин-силико. Предотвращая механические столкновения, ошибки дозирования и дефекты структурного сворачивания в виртуальных прогонах до прикосновения к дорогостоящим реагентам, такие фреймворки, как VERID, напрямую защищают маржу прибыли от катастрофических потерь при слепом биологическом скрининге. Для корпоративных бюджетов на R&D этот переход от затянувшихся проб и ошибок к быстрой замкнутой эмпирической самокоррекции трансформируется в значительное сохранение капитала, сокращая циклы разработки и фундаментально перестраивая то, как фармацевтические и биотехнологические организации распределяют высокорисковый капитал.
Источник: Google Research Blog