最先端のAIシステムは、膨大な組み合わせ探索空間をうまく進むことで、生物学研究や創薬を変革する可能性を秘めています。例えば、100個のアミノ酸からなる単一のタンパク質は、少なくとも20100通りの配列をとり得るため、動的な複数候補の探索が求められます。Googleの長期的なビジョンは、AIエージェントが発想や分析を行うだけでなく、実験室での実験を実行し、結果から学習して自己改善することであり、それらすべては人間の科学的主体性に導かれます。
このビジョンを実現するには、相互に関連する2つの課題を解決する必要があります。第一に、最先端のモデルは3次元の幾何学や物理的状態について依然として確実に推論できず、試薬を移動させ、量を管理し、分子生物学のプロトコルを実行する液体ハンドリングロボットの自動化を複雑にしています。第二に、in silicoでの仮説生成や設計は急速に進んでいるものの、現実のウェットラボ実験はそれに追いついておらず、実験結果の読み取りがかつてないほどボトルネックになっています。
最初の課題に対処するため、研究チームはVERified Infrastructure for Discovery Laboratories（VERID）フレームワークを発表しました。VERIDは実験室のワークセルの意味的デジタルツインであり、ロボットアームの幾何学から個々のウェルの量、試薬の識別情報、ピペットチップの在庫まで、すべてを追跡するリアルタイムで状態を保持する3Dモデルです。オープンソースのPyLabRobotフレームワーク上に構築され、ライブ3D状態追跡、高速な仮想ドライラン、ハードウェアの安全性チェック、同期された動画・操作ログを提供します。
ケーススタディでは、同期された動画により、ウェットの底に近すぎる位置での分注が原因となった不均一な色素の層化が捉えられ、エージェントは混合戦略を改良しました。また、シミュレーターが狭い容器に収まらない8チャンネルの吸引を拒否した際には、エージェントが計画を立て直し、的を絞った要因実験による診断を設計しました。閉ループの自己対戦キャンペーンでは、エージェントが自身の光学的および流体的なアーティファクトを特定することで、精度を5倍以上向上させました。
出典: Google AI Blog · 要約：HeadlinesBriefing