Les systèmes d'IA de pointe pourraient transformer la recherche en biologie et la découverte de médicaments en naviguant dans d'immenses espaces de recherche. Par exemple, une seule protéine de 100 acides aminés couvre au moins 20100 séquences possibles, ce qui exige une exploration dynamique à plusieurs candidats. La vision à long terme de Google est que les agents d'IA ne se contentent pas de concevoir et d'analyser, mais réalisent aussi des expériences en laboratoire, apprennent de leurs résultats et s'améliorent, le tout guidé par l'autonomie scientifique humaine.
Concrétiser cette vision exige de résoudre deux défis liés. Premièrement, les modèles de pointe ne raisonnent toujours pas de façon fiable sur la géométrie tridimensionnelle et l'état physique, ce qui complique l'automatisation des robots de manipulation de liquides qui déplacent les réactifs, suivent les volumes et exécutent les protocoles de biologie moléculaire. Deuxièmement, si la génération d'hypothèses et la conception in silico progressent rapidement, les expériences en laboratoire humide du monde réel n'ont pas suivi, faisant des relevés expérimentaux le goulot d'étranglement plus que jamais.
Pour relever le premier défi, l'équipe présente le cadre VERified Infrastructure for Discovery Laboratories (VERID). VERID est un jumeau numérique sémantique de la cellule de travail du laboratoire : un modèle 3D vivant et doté d'un état, qui suit tout, de la géométrie du bras robotisé aux volumes de chaque puits, en passant par l'identité des réactifs et l'inventaire des cônes de pipette. Construit sur le cadre open source PyLabRobot, il offre le suivi en direct de l'état 3D, des simulations virtuelles rapides, des contrôles de sécurité matérielle et des journaux vidéo et d'actions synchronisés.
Dans les études de cas, la vidéo synchronisée a détecté une stratification inégale du colorant causée par un dépôt trop proche du fond du puits, et l'agent a affiné sa stratégie de mélange. Lorsque le simulateur a rejeté une aspiration à 8 canaux qui ne tenait pas dans une auge étroite, l'agent a replanifié et conçu un diagnostic factoriel ciblé. Lors d'une campagne d'autojeu en boucle fermée, un agent a amélioré sa précision plus de cinq fois en identifiant ses propres artefacts optiques et fluidiques.
Source: Google AI Blog · Résumé par HeadlinesBriefing