The Pulse
Gli agenti di Google raggiungono un tasso di successi del 42,1% con gli aptameri contro l’alfa-trombina
Google Research afferma che gli agenti di IA hanno portato dallo zero al 42,1% il tasso di successi confermati degli aptameri contro l’alfa-trombina in tre cicli sperimentali. L’azienda ha inoltre presentato VERID, un gemello digitale per v
AI.info Team · Scritto con l’IA ·
Gli esperimenti sugli aptameri guidati dall’IA di Google hanno portato il tasso di successi contro l’alfa-trombina dallo 0% al 42,1% in tre cicli di progettazione e verifica, ha dichiarato l’azienda il 16 ottobre. Gli aptameri sono brevi molecole di DNA selezionate per la loro capacità di legarsi a un bersaglio; il risultato misura il legame in laboratorio, non dimostra l’efficacia di un trattamento né un beneficio clinico. Google Research ha presentato gli esperimenti insieme a VERID, un software che fornisce agli agenti di IA un modello aggiornato in tempo reale di una postazione di lavoro robotizzata prima che impartiscano comandi di laboratorio.
Il tasso di successi contro l’alfa-trombina sale dallo zero al 42,1%
Il primo ciclo sull’alfa-trombina non ha prodotto alcuna molecola con legame confermato. I ricercatori di Google hanno ricondotto l’insuccesso a estremità sporgenti fisse dei primer che alteravano il ripiegamento nel 48% delle sequenze. Gli agenti hanno quindi introdotto steli fiancheggianti stabilizzati nel secondo ciclo e diversificato i candidati nel terzo, portando i tassi di successi confermati sul bersaglio previsto prima al 26,0% e poi al 42,1%, con una specificità del 98,5%.
La campagna sulla mioglobina mostra perché conta il tipo di misura usata. Quando, nel secondo ciclo, gli agenti hanno privilegiato l’affinità di legame grezza, il 63% dei loro progetti conteneva motivi G-quadruplex. Queste molecole spesso aderivano a proteine diverse dal bersaglio o alle biglie magnetiche usate nel saggio: il vero tasso di successi, corretto per l’adesione alle biglie, è sceso dal 10,2% al 3,7%, anche se il pull-down grezzo aumentava. Google afferma che gli agenti hanno modificato il loro approccio dopo che i risultati sperimentali hanno messo in luce la discrepanza.
«Gli agenti hanno bisogno di risultati sperimentali reali per affinare le proprie ipotesi, perché i modelli computazionali non colgono tutto ciò che accade in una reazione di laboratorio e non possono sostituire la convalida empirica», scrivono Pooja Rao, Petar Sirkovic e Annalisa Pawlosky di Google. I cicli sugli aptameri sono durati ciascuno da 7 a 10 giorni e hanno impiegato la sintesi di DNA in pool, la selezione mediante proteine bersaglio su biglie magnetiche e il sequenziamento per ottenere i dati destinati al ciclo successivo.
VERID tiene traccia di ciò che il robot può effettivamente fare
Il framework VERID di Google—abbreviazione di Verified Infrastructure for Discovery Laboratories—affronta un problema distinto: un protocollo generato dall’IA può essere codice valido, ma impossibile o non sicuro da eseguire. Il suo gemello digitale aggiornato in tempo reale tiene traccia della postazione di lavoro in tre dimensioni, comprese la geometria del robot, i volumi nei pozzetti, le identità dei reagenti e i puntali per pipetta disponibili. Gli agenti possono interrogare questo stato, simulare un protocollo prima dell’esecuzione e vedersi bloccare i comandi incompatibili con le apparecchiature o con le scorte rimaste.
Il sistema registra anche video sincronizzati, attività degli strumenti e log di esecuzione. Nei test condotti con colorante e acqua anziché con campioni biologici, le registrazioni hanno aiutato i ricercatori a diagnosticare una miscelazione non uniforme causata dall’erogazione troppo vicina al fondo di un pozzetto. In un altro test, il gemello digitale ha permesso a un agente di riprendere il lavoro dopo un guasto del lettore di piastre senza ripetere le operazioni di pipettaggio già completate. Google riferisce che una campagna distinta di ricostruzione con colorante ha migliorato l’accuratezza di oltre cinque volte nel corso di esecuzioni ripetute.
La progettazione delle proteine mostra un secondo tipo di risultato
Un terzo progetto ha applicato la progettazione guidata da agenti alla proteina alfa di attivazione dei fibroblasti, un recettore sovraespresso nei tumori solidi. Google afferma che i progetti migliori hanno prodotto molecole leganti con affinità nell’ordine di unità di nanomolari dopo pochi cicli sperimentali. Nel flusso di lavoro computazionale, rimuovere durante il ripiegamento la struttura circostante la tasca di legame locale ha reso ogni ciclo più di otto volte più rapido senza ridurre l’accuratezza strutturale, secondo l’azienda.
In un confronto a parità di risorse di calcolo, una squadra composta da un essere umano e un agente ha quasi raddoppiato il tasso di successi in silico rispetto a uno scienziato che lavorava da solo. Lo scienziato definiva la strategia generale, mentre un agente si occupava dell’esecuzione tattica. Google descrive questo risultato come computazionale: è distinto dal risultato di legame ottenuto in laboratorio, e l’azienda afferma che il passo successivo sarà collegare la scoperta di proteine all’automazione tracciabile di VERID.
L’approvazione umana resta parte del processo
Il lavoro di Google non descrive un laboratorio che opera senza controllo umano. L’azienda afferma che le persone esaminano e autorizzano le sequenze progettate, verificano i protocolli e supervisionano le esecuzioni dei robot; afferma inoltre che ogni sequenza viene sottoposta a uno screening di biosicurezza e ogni protocollo supera una simulazione a vuoto prima dell’uso dei reagenti. I sistemi di test sono stati scelti deliberatamente perché controllati e non infettivi, senza rischi di guadagno di funzione.
Google individua alcuni compiti ancora irrisolti: assicurare che gli agenti ottimizzino il legame effettivo con il bersaglio anziché sfruttare scorciatoie sperimentali, verificare i protocolli articolati in più passaggi e monitorare il ragionamento degli agenti oltre alle tracce di esecuzione. Le campagne descritte mostrano che gli agenti possono apprendere dalle misurazioni fisiche, ma il sistema integrato per la scoperta di proteine e l’esecuzione robotizzata resta un passo successivo dichiarato, non un laboratorio autonomo già realizzato.