A Google AI-ügynökei robotlaborban terveznek molekuláris kötőanyagokat

Digitális iker felügyeli a robotlabor működését

A Google Research október 16-án ismertetett fejlesztéseinek egyik alapja a VERID, vagyis a Verified Infrastructure for Discovery Laboratories keretrendszer. Ez a laboratóriumi munkaterület szemantikus digitális ikre: élő, állapotkövető háromdimenziós modellként tartja nyilván többek között a robotkarok geometriáját, a mintatartók térfogatát, a reagenseket és a pipettahegyek készletét.

A rendszer célja, hogy az AI-ügynökök ne csak kódot állítsanak elő, hanem a fizikai környezetet is figyelembe vegyék. Egy szintaktikailag helyes utasítás ugyanis fizikailag kivitelezhetetlen lehet, például ha egy nyolccsatornás pipetta nem fér be egy keskeny edénybe, vagy ha egy kútból már elfogyott a folyadék. A VERID a PyLabRobot nyílt forráskódú keretrendszerre épül, és élő háromdimenziós állapotkövetést, gyors virtuális próbaüzemeket, hardverbiztonsági ellenőrzéseket, valamint szinkronizált videó- és műveleti naplókat biztosít.

A Google beszámolója szerint a rendszer egyenetlen festékrétegződést is azonosított, majd módosította a keverési stratégiát. Egy másik esetben a digitális iker lehetővé tette, hogy az ügynök egy lemezolvasó meghibásodása után újrapipettázás nélkül folytassa a futást.

Az aptamerkísérletekben a rendszer a hibákból tanult

A Google kutatói három tervezési, tesztelési és elemzési ciklusban vizsgálták, hogyan javítják az AI-ügynökök a fehérjékhez kötődő DNS-aptamereket. Egy ciklus 7, 10 napig tartott. Az ügynökök jelölt szekvenciákat terveztek, ezeket mágneses gyöngyökön tesztelték, majd a szekvenálási eredmények alapján módosították a következő kört.

Két célfehérjét, a myoglobint és az α-trombint vizsgálták. Az α-trombin esetében az első körben 0 százalékos kötőarányt mértek, mert a rögzített primer túlnyúlások a szekvenciák 48 százalékának hajtogatását megzavarták. A módosítások után az arány 26,0 százalékra, majd 42,1 százalékra nőtt, 98,5 százalékos specificitás mellett.

Myoglobin esetén a második körben a tervezetek 63 százalékában dúsultak a G-kvadruplex motívumok. Ezek közül sok nem specifikusan kötődött más fehérjékhez és a mágneses gyöngyökhöz, ezért a célzott specificitás 75,0 százalékról 19,1 százalékra, a gyöngyhatással korrigált találati arány pedig 10,2 százalékról 3,7 százalékra esett. Az ügynökök ezután korlátozták ezeket a motívumokat, és más szerkezeti vázak felé fordultak. A harmadik körben a specificitás 72,4 százalékra, a célhoz kötődő találati arány pedig 33,5 százalékra emelkedett.

Fehérjekötők és autonóm kísérleti ciklusok

A kutatók a módszert de novo fehérjekötők tervezésére is alkalmazták a fibroblasztaktivációs protein alfán, vagyis az FAP-on. A forrás szerint ez egy nagy, nehéz célpont, amelyet a szolid tumorok túltermelnek. A fehérjék esetében a folyamat összetettebb, mivel a jelölteket biológiailag kell előállítani, és minden ciklushoz szelekció, expresszió és hajtogatás is kapcsolódik.

A Google közlése szerint néhány kísérleti futtatás után a legjobb tervek egy számjegyű nanomólos affinitású kötőket adtak. A kutatók emellett olyan munkafolyamatot mutattak be, amelyben az AI-ügynökök a laboreredményekből tanulva újratervezik a következő kísérleteket. A Google hosszabb távú célja, hogy az ügynökök hipotéziseket alkossanak és elemezzenek, kísérleteket futtassanak, majd az eredményekből tovább javítsák saját javaslataikat, emberi tudományos irányítás mellett.

Ez a megközelítés a vállalat szerint a számítógépes tervezést és a fizikai laboratóriumi visszacsatolást egyetlen ismétlődő folyamatba kapcsolja. A VERID naplói és mérései közben azt is segíthetik, hogy az ügynökök elkülönítsék a biológiai jeleket a kísérleti zajtól, miközben több jelöltet vizsgálnak párhuzamosan.