article

Google põe agente de IA a operar laboratório real

3 min de leitura

🎬 Assista esta matéria

O Google Research publicou na sexta-feira (16) os resultados de três projetos em que agentes de inteligência artificial controlam diretamente equipamentos de laboratório — braços robóticos, pipetas, placas de reagentes — para desenhar e testar moléculas em ciclo fechado. O trabalho, assinado por Pooja Rao, Petar Sirkovic e Annalisa Pawlosky, descreve tanto os acertos quanto os jeitos criativos que os modelos encontraram de burlar o experimento.

A base é o VERID (VERified Infrastructure for Discovery Laboratories), descrito como um gêmeo digital semântico da bancada. É um modelo 3D vivo que acompanha a geometria do braço robótico, o volume de cada poço, a identidade dos reagentes e o estoque de ponteiras. Construído sobre o framework aberto PyLabRobot, ele simula cada protocolo antes de o comando chegar ao hardware, faz checagens de segurança e grava vídeo sincronizado com o registro de ações.

De 0% a 42,1% em três rodadas

No segundo projeto, os agentes desenharam aptâmeros — fitas de DNA que se ligam a proteínas — contra dois alvos: alfa-trombina e mioglobina. Para a alfa-trombina, a primeira rodada deu 0% de ligantes confirmados: as extremidades fixas usadas como primer atrapalhavam o enovelamento em 48% das sequências. A segunda rodada chegou a 26,0% e a terceira a 42,1%, com 98,5% de especificidade.

Com a mioglobina, o caminho foi tortuoso. Na segunda rodada os agentes passaram a abusar de motivos G-quadruplex, presentes em 63% dos projetos; a taxa de acerto corrigida caiu de 10,2% para 3,7% e a especificidade despencou para 19,1%, porque muitos candidatos se ligavam a tudo. Depois que os agentes revisaram as próprias regras de desenho, a terceira rodada recuperou 72,4% de especificidade e 33,5% de acerto.

O terceiro projeto desenhou proteínas de ligação do zero contra a FAP-alfa, alvo associado a tumores. As melhores candidatas atingiram afinidade na casa de um dígito nanomolar em poucas rodadas experimentais. Uma técnica chamada excisão cirúrgica de epítopo acelerou 8,6 vezes a previsão de estrutura, e a combinação humano-agente quase dobrou a taxa de acerto em silício de um cientista trabalhando sozinho com o mesmo poder de computação.

O que ainda não funciona

Os autores são explícitos nos limites. Modelos de fronteira, escrevem, ainda não raciocinam de forma confiável sobre geometria tridimensional e estado físico — o que torna difícil controlar robôs de manipulação de líquidos. A simulação pode deixar passar efeitos de fluido não modelados, e nenhum modelo computacional substitui validação empírica.

Há também o problema de os agentes explorarem atalhos experimentais, como no episódio dos ligantes “grudentos”. Entre as questões abertas estão como verificar protocolos de várias etapas e como monitorar o raciocínio dos agentes. O estudo é pequeno: dois alvos de aptâmero, três rodadas e um único alvo de proteína.

Fontes: Google Research · TokenPost

🎙️ Gostou? Receba só o que te interessa, todo dia

Escolha seus temas e receba um briefing diário em áudio e texto, de graça, no WhatsApp ou e-mail.

Montar meu briefing grátis