Los sistemas de IA de vanguardia podrían transformar la investigación biológica y el descubrimiento de fármacos al explorar enormes espacios de búsqueda. Por ejemplo, una sola proteína de 100 aminoácidos abarca al menos 20100 secuencias posibles, lo que exige una exploración dinámica de múltiples candidatos. La visión a largo plazo de Google es que los agentes de IA no solo idean y analizan, sino que también ejecutan experimentos de laboratorio, aprenden de los resultados y se mejoran a sí mismos, todo ello impulsado por la agencia científica humana.
Hacer realidad esta visión requiere resolver dos desafíos interrelacionados. En primer lugar, los modelos de vanguardia todavía no razonan de forma fiable sobre la geometría tridimensional y el estado físico, lo que complica la automatización de los robots de manipulación de líquidos que mueven reactivos, controlan volúmenes y ejecutan protocolos de biología molecular. En segundo lugar, mientras la generación de hipótesis y el diseño in silico avanzan rápidamente, los experimentos de laboratorio húmedo en el mundo real no han seguido el ritmo, lo que convierte las lecturas experimentales en el cuello de botella más que nunca.
Para abordar el primer desafío, el equipo presenta el marco VERified Infrastructure for Discovery Laboratories (VERID). VERID es un gemelo digital semántico de la celda de trabajo del laboratorio: un modelo tridimensional en tiempo real y con estado que registra todo, desde la geometría del brazo robótico hasta los volúmenes de cada pocillo, la identidad de los reactivos y el inventario de puntas de pipeta. Construido sobre el marco de código abierto PyLabRobot, ofrece seguimiento del estado 3D en tiempo real, simulaciones virtuales rápidas, controles de seguridad del hardware y registros sincronizados de vídeo y acciones.
En los estudios de caso, el vídeo sincronizado detectó una estratificación desigual del colorante causada por dispensar demasiado cerca del fondo del pocillo, y el agente ajustó su estrategia de mezcla. Cuando el simulador rechazó una aspiración de 8 canales que no cabía en un depósito estrecho, el agente replanificó y diseñó un diagnóstico factorial específico. En una campaña de autojuego en bucle cerrado, un agente mejoró su precisión más de cinco veces al identificar sus propios artefactos ópticos y fluídicos.
Fuente: Google AI Blog · Resumido por HeadlinesBriefing