Sistemas avançados de IA podem transformar a pesquisa em biologia e a descoberta de medicamentos ao navegar por enormes espaços de busca. Por exemplo, uma única proteína de 100 aminoácidos abrange pelo menos 20100 sequências possíveis, o que exige uma exploração dinâmica de múltiplos candidatos. A visão de longo prazo do Google é que agentes de IA não apenas idealizem e analisem, mas também executem experimentos de laboratório, aprendam com os resultados e se aperfeiçoem, tudo guiado pela agência científica humana.
Concretizar essa visão exige resolver dois desafios interligados. Primeiro, os modelos de ponta ainda não raciocinam de forma confiável sobre geometria tridimensional e estado físico, o que complica a automação dos robôs de manipulação de líquidos que movimentam reagentes, controlam volumes e executam protocolos de biologia molecular. Segundo, enquanto a geração de hipóteses e o desenho in silico avançam rapidamente, os experimentos reais de laboratório úmido não acompanharam esse ritmo, tornando as leituras experimentais o gargalo mais do que nunca.
Para enfrentar o primeiro desafio, a equipe apresenta o framework VERified Infrastructure for Discovery Laboratories (VERID). O VERID é um gêmeo digital semântico da célula de trabalho do laboratório: um modelo 3D vivo e com estado, que rastreia tudo, desde a geometria do braço robótico até o volume de cada poço, a identidade dos reagentes e o inventário de pontas de pipeta. Construído sobre o framework de código aberto PyLabRobot, oferece rastreamento de estado 3D em tempo real, simulações virtuais rápidas, verificações de segurança de hardware e registros sincronizados de vídeo e ações.
Nos estudos de caso, o vídeo sincronizado detectou uma estratificação desigual do corante causada pela dispensação muito próxima ao fundo do poço, e o agente refinou sua estratégia de mistura. Quando o simulador rejeitou uma aspiração de 8 canais que não cabia em uma cuba estreita, o agente replanejou e projetou um diagnóstico fatorial direcionado. Em uma campanha de autojogo em ciclo fechado, um agente melhorou sua precisão mais de cinco vezes ao identificar seus próprios artefatos ópticos e fluídicos.
Fonte: Google AI Blog · Resumido por HeadlinesBriefing