Sistem AI mutakhir berpotensi mengubah riset biologi dan penemuan obat dengan menavigasi ruang pencarian kombinatorial yang sangat luas. Misalnya, satu protein dengan 100 asam amino memiliki setidaknya 20100 kemungkinan urutan, sehingga diperlukan eksplorasi dinamis dengan banyak kandidat. Visi jangka panjang Google adalah agar agen AI tidak hanya menggagas dan menganalisis, tetapi juga menjalankan eksperimen laboratorium, belajar dari hasilnya, dan memperbaiki diri, semuanya didorong oleh keagenan ilmiah manusia.
Mewujudkan visi ini membutuhkan penyelesaian dua tantangan yang saling terkait. Pertama, model mutakhir masih belum dapat bernalar secara andal tentang geometri 3 dimensi dan keadaan fisik, yang menyulitkan otomatisasi robot penanganan cairan yang memindahkan reagen, melacak volume, dan menjalankan protokol biologi molekuler. Kedua, sementara pembangkitan hipotesis dan desain secara in silico berkembang pesat, eksperimen laboratorium basah di dunia nyata belum mengimbanginya, sehingga pembacaan hasil eksperimen menjadi hambatan utama lebih dari sebelumnya.
Untuk menjawab tantangan pertama, tim memperkenalkan kerangka kerja VERified Infrastructure for Discovery Laboratories (VERID). VERID adalah kembaran digital semantik dari sel kerja laboratorium: model 3D hidup dan stateful yang melacak segala hal, mulai dari geometri lengan robot hingga volume tiap sumur, identitas reagen, dan inventaris ujung pipet. Dibangun di atas kerangka sumber terbuka PyLabRobot, sistem ini menyediakan pelacakan status 3D secara langsung, simulasi virtual cepat, pemeriksaan keamanan perangkat keras, serta log video dan aksi yang tersinkronisasi.
Dalam studi kasus, video tersinkronisasi menangkap stratifikasi pewarna yang tidak merata akibat dispensing terlalu dekat dengan dasar sumur, dan agen pun memperbaiki strategi pencampurannya. Ketika simulator menolak aspirasi 8 saluran yang tidak muat di palung sempit, agen membuat rencana ulang dan merancang diagnosis faktorial yang terarah. Dalam kampanye self-play loop tertutup, sebuah agen meningkatkan akurasinya lebih dari lima kali lipat dengan mengidentifikasi artefak optik dan fluidiknya sendiri.
Sumber: Google AI Blog · Diringkas oleh HeadlinesBriefing