AI 代理紮根生物現實：打造自主濕實驗室的基石

前沿 AI 系統有潛力透過智慧地探索龐大的組合搜尋空間，來徹底改變生物學研究和藥物開發。例如，一個由 100 個胺基酸組成的蛋白質，其序列可能性至少有 20 的 100 次方種，這需要動態的多候選探索。

我們的長期研究願景是，AI 代理不僅能構思和分析，還能執行實驗室實驗來驗證其假設，從結果中學習，並自我改進以解決複雜問題，這一切都將在人類科學主導下進行。

實現這一願景需要解決兩個相互交織的挑戰：首先，前沿模型在三維幾何和物理狀態的推理方面仍不可靠，這對於濕實驗室中移動試劑、追蹤體積和執行分子生物學方案的液體處理機器人自動化構成問題。

其次，雖然代理式假設生成和電腦模擬設計正在迅速發展，需要重複的真實世界回饋循環來驗證提案並探索廣闊的搜尋空間，但真實世界的濕實驗室實驗卻未能跟上，使得實驗讀數比以往任何時候都更成為瓶頸。

在這篇文章中，我們將分享三個研究專案，重點介紹我們在彌合電腦模擬 AI 探索與真實世界濕實驗室實驗之間差距的進展：透過使用 VERID 框架，讓 AI 代理能夠進行基於物理測量的安全、資源高效的實驗，並展示我們在適體和從頭蛋白質設計原型上的閉環代理式科學發現。

首先，我們介紹了「用於發現實驗室的驗證基礎設施」（VERID）框架，旨在彌合 AI 代理的高階推理與濕實驗室複雜且易出錯的物理現實之間的鴻溝。它是一個實驗室工作單元的語義數位分身，即一個即時、有狀態的三維體積實體樹，能追蹤從機械臂幾何形狀到單個孔體積、試劑身份和吸管尖端庫存的所有資訊。

命令的安全性取決於即時物理環境以及程式碼本身。代理可能會生成語法上有效但物理上不可能（例如，將八通道吸管放入過短的狹窄槽中）、邏輯上無效（例如，從已耗盡的孔中吸取液體），或因未建模的流體效應而導致科學上受損的程式碼。

VERID 建立在開源的 PyLabRobot 框架之上，提供四個核心功能：即時三維狀態追蹤，允許代理在執行動作前檢查平台佈局、孔體積和可用吸管尖端；快速虛擬空跑，在幾秒鐘內模擬實驗方案，以便在接觸試劑前發現碰撞或空孔；硬體安全檢查，在無效命令到達機器人之前將其阻擋；以及同步影片和動作日誌，記錄每次運行的完整記錄，以確保研究嚴謹性、可重現性和除錯。

在我們的報告中，我們透過案例研究展示了這些功能。首先，同步影片和執行追蹤捕捉到因分配液體過於接近孔底而導致的染料分層不均，這讓代理能夠改進其混合策略。在同一項實驗中，持久的數位分身狀態使得代理能夠在盤讀儀故障時從中途恢復，而無需重新吸取液體。

其次，當模擬器拒絕了一個八通道吸取操作，因為它物理上無法適應狹窄的槽時，代理即時重新規劃，並設計了一個有針對性的因子診斷，分離出由殘留吸管壁殘留物引起的微小偏差，而單純的重複實驗是無法發現的。

最後，在一個閉環自我對弈實驗中，一個代理迭代地設計並執行機器人實驗，從俯視攝影機圖像重建盲測染料混合物，識別其在不同運行中的光學和流體偽影，將準確性提高了五倍以上。可重現的執行和完整的追蹤日誌，捕捉了停留時間、蒸發和盤面佈局等程序變數，為代理最終能夠在多輪平行探索和精煉眾多候選物時，將生物訊號與實驗雜訊分離奠定了基礎。

代理需要真實的實驗讀數來完善其假設，因為計算模型無法捕捉濕實驗室反應中發生的所有情況，也無法取代經驗驗證。在「適體作為實驗室循環代理分子發現的沙盒」這項研究中，我們利用蛋白質結合 DNA 適體，在三個設計、測試、迭代循環中，與 AI 代理共同原型化了實驗室閉環。

適體發現是臨床生物標誌物發現研究中常見的一種實驗類型。一個完整的適體設計、測試、分析循環僅需 7-10 天，因為 DNA 可以在混合文庫中化學合成，並直接透過測序讀取。在每個循環中，代理設計候選序列，這些序列會針對磁珠上的目標蛋白質進行篩選，以分離出功能性結合物，然後進行測序，為下一個循環提供豐富的定量數據。

在針對兩種不同難度蛋白質目標（肌紅蛋白和 α-凝血酶）進行的三個循環中，AI 驅動的合理設計和從頭設計提高了確認的目標命中率（肌紅蛋白和 α-凝血酶分別達到 33.5% 和 42.1%），儘管每個目標都需要識別並克服不同的濕實驗室失效模式。

對於 α-凝血酶，第一輪的結合物命中率為 0%，因為固定的引物懸端破壞了 48% 序列的摺疊；一旦代理在第二輪引入了夾持側翼莖，並在第三輪進行多樣化，命中率便攀升至 26.0%，然後在 98.5% 特異性下達到 42.1%。

對於肌紅蛋白，由於代理在第二輪優先考慮原始結合親和力，它們大量富集了 G-四鏈體基序（佔設計的 63%）。雖然原始拉下量增加，但濕實驗室數據顯示，這些 G-四鏈體大多是非特異性的「黏性」結合物，會附著在非目標蛋白質和裸磁珠上，導致目標特異性（從 75.0% 降至 19.1%）和真實、經磁珠校正的命中率（從 10.2% 降至 3.7%）雙雙驟降。

代理從第二輪讀數中識別出這種假象後，自主修訂了第三輪的設計規則，限制了多重結合基序，減去了磁珠結合物，並轉向非 G4 結構支架，以恢復特異性（72.4%），並使目標命中率激增九倍（33.5%）。在論文中，我們也探討了代理如何像科學家一樣推理，分析數據並建議調整濕實驗室方案，但有時也會以非典型方式思考，探索結構生物學家可能不會考慮的序列空間。

蛋白質的閉環更為複雜。與化學合成的適體不同，蛋白質必須透過生物方式表達，因此每個循環都會增加細胞或無細胞選擇、表達和摺疊步驟。再加上更大的序列空間，這在計算和濕實驗室兩方面都造成了瓶頸。

在「代理引導的表位切除實現經濟的從頭結合物設計」這項研究中，我們將工作流程應用於纖維母細胞活化蛋白 α (FAP)，這是一種在實體腫瘤中過度表達的大型且具挑戰性的受體。僅經過幾次實驗運行，頂級設計就產生了具有個位數奈米級親和力的結合物，這種緊密、類藥物的結合水平通常只有在經過大量實驗室優化後才能達到。

在計算方面，從頭結合物設計需要生成候選骨架，設計適合它們的序列，並重新摺疊所得複合物以預測結合。最後的重新摺疊步驟消耗了絕大多數的 GPU 計算資源，因為它的計算量與目標長度呈二次方關係。透過在摺疊過程中精確切除局部結合口袋，我們的管線在不損失結構準確性的情況下，將每個循環加速了八倍以上。這將關於在哪裡結合以及包含多少周圍結構的決策，轉變為 LLM 代理非常適合優化的戰術槓桿。

在相同計算資源的直接比較中，人類與代理的協作（科學家設定高層策略，代理推動戰術執行）幾乎使單獨工作的科學家在電腦模擬中的命中率翻倍，同時在更廣泛的目標位點上發現了命中物。為了配合我們的計算管線擴展濕實驗室篩選，我們將酵母表面展示與螢光活化細胞分選（FACS）結合應用，這是一種允許我們透過螢光平行篩選大量工程化蛋白質變體的流程。

我們的下一步是將這些線索編織在一起，結合 VERID 完全可追溯的自動化與蛋白質發現的閉環學習，使代理能夠直接在濕實驗室中探索複雜、崎嶇的生物搜尋空間。

根據 Google 的「前沿安全框架」和我們對生物韌性的方法，我們在工作流程的計算和濕實驗室兩方面都建立了安全防護措施：安全測試平台和篩選，我們特意選擇了受良好控制、非傳染性且無功能增益風險的生物系統作為測試平台，以評估代理行為並及早發現偏差。每個設計的序列都經過生物安全篩選。

執行前模擬，透過 VERID，代理絕不會將未經驗證的程式碼直接發送給液體處理機器人。每個實驗方案都會在模擬中進行空跑，並在接觸試劑之前根據數位分身進行驗證。人為監督，人類直接授權和審查設計的序列，驗證濕實驗室方案，並監督機器人運行。

隨著 AI 代理承擔更多設計-測試循環的工作，新的安全和可靠性挑戰也隨之浮現。邁向自主濕實驗室需要解決這些開放性問題，同時為人類的參與和監督提供機會：確保代理優化真正的目標結合，而不是無意的實驗捷徑；驗證多步驟的濕實驗室方案；以及持續監控代理的推理和執行追蹤。

從將代理紮根於物理實驗室機器人，到運行快速閉環適體循環讓代理學習探索序列空間，再到發現個位數奈米級的蛋白質結合物，這些努力構成了生命科學中人類指導的自主發現的基石。我們對這項進展感到興奮，並期待分享接下來的成果。

這項研究由 Annalisa Pawlosky 領導，Pooja Rao 和 Petar Sirkovic 共同參與。我們感謝支持這項工作的基礎論文的共同作者和合作者：Zach Cutts、John Coller、Rachel Chen、Mathias Bellaiche、Hua Tang、Ryder Easterlin 和 Dina Zverinski（適體發現）；Jun Kim、Artiom Myaskovsky、Oscar Donosa、Jamie Rogers 和 Lawrence Chan（蛋白質設計）；以及