Google Research 发布 VERID 框架，探索 AI 智能体驱动的自主湿实验室

前沿 AI 系统有潜力通过在巨大的组合搜索空间中进行智能导航（例如，一条 100 个氨基酸的蛋白质至少有 20¹⁰⁰ 种可能的序列），变革生物学研究和药物发现，这需要动态的多候选探索。我们的长期研究愿景是：AI 智能体不仅能构思和分析，还能运行实验室实验来检验其假设、从结果中学习并自我改进以解决复杂问题——这一切都由人类的科学能动性驱动。

实现这一愿景需要解决两个相互交织的挑战：首先，前沿模型对三维几何和物理状态的推理仍不可靠——这在湿实验自动化专用液体处理机器人时会带来问题，这些机器人需要移动试剂、跟踪体积并执行分子生物学实验流程。其次，尽管智能体假设生成和 计算机模拟 设计进展迅速，需要反复的真实世界反馈循环来验证提案并探索巨大的搜索空间，但真实世界的湿实验室实验却未能同步跟上，使实验读数比以往任何时候都更成为瓶颈。

在这篇文章中，我们分享三个研究项目，展示我们在弥合计算机模拟 AI 探索与真实世界湿实验室实验之间差距方面的进展：

• 通过使用 VERID 框架，让 AI 智能体能够在物理测量的基础上进行安全、资源高效的实验。
• 在我们的适配体和从头蛋白质设计原型上演示闭环智能体科学发现。

让智能体扎根于物理现实

首先，我们介绍 VERified Infrastructure for Discovery Laboratories（VERID）框架，以弥合 AI 智能体的高级推理与湿实验室复杂、易出错的物理现实之间的差距。它是实验室工作单元的语义数字孪生，即一个实时、有状态的 3D 体积实体树，追踪从机械臂几何结构到单个孔体积、试剂身份和移液枪头库存的一切内容。

一条命令的安全性取决于实时物理上下文以及代码本身。智能体可能生成语法有效但在物理上不可能的代码（例如，将 8 通道移液器降入一个过短的窄槽）、在流程上无效的代码（例如，从已耗尽的孔中吸取液体），或因未建模的流体效应而在科学上受到损害的代码。

VERID 构建于开源的 PyLabRobot 框架 之上，提供四项核心能力：

• 实时 3D 状态跟踪：允许智能体在行动前检查台面布局、孔体积和可用枪头。
• 快速虚拟试运行：在几秒内模拟实验流程，在接触试剂之前发现碰撞或空孔问题。
• 硬件安全检查：在无效命令到达机器人之前将其拦截。
• 同步的视频和操作日志：记录每次运行的完整记录，以保障研究的严谨性、可复现性和可调试性。

在 我们的报告中，我们通过案例研究展示了这些能力的实际运作。首先，同步的视频和执行轨迹捕捉到了因加液器太靠近孔板底部而导致的染料分层不均问题，使智能体得以改进其混合策略。在同一轮实验中，持久的数字孪生状态让智能体在运行中途从酶标仪故障中恢复，而无需重新移液。其次，当模拟器拒绝一次物理上无法放入狭窄储液槽的 8 通道吸取操作时，智能体即时重新规划，并设计了一个有针对性的析因诊断实验，分离出由移液头壁残留携带造成的细微偏差——仅靠重复实验是发现不了的。最后，在一个闭环自我对弈的实验活动中，一个智能体迭代地设计并运行机器人实验，从俯视相机图像中重建盲测染料混合物，并跨轮次识别自身的光学与流体伪影，将准确率提升了五倍以上。

可复现的执行和完整的轨迹日志——记录孵育时间、蒸发和孔板布局等操作变量——为智能体最终能够在多轮并行探索和优化众多候选方案时，将生物信号与实验噪声区分开来奠定了基础。

用适配体学习如何学习

智能体需要真实的实验读数来改进其假设，因为计算模型无法完整呈现湿实验反应中发生的所有情况，也无法取代实证验证。在“Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery”中，我们使用结合蛋白质的 DNA 适配体，在 3 个设计-测试-迭代周期中构建了与 AI 智能体闭环协作的实验室原型。适配体发现是临床生物标志物发现研究中常见的一类实验。一个完整的适配体设计-测试-分析周期只需 7–10 天，因为 DNA 可以化学合成为混合文库，并直接通过测序读出。在每一轮中，智能体设计候选序列，这些序列会在磁珠上针对目标蛋白进行筛选以分离功能性结合物，然后测序以返回丰富的定量数据供下一个周期使用。

在两个难度不同的蛋白靶标（肌红蛋白和 α-凝血酶）上经过三轮实验，AI 驱动的理性设计和从头设计提升了经验证的靶标命中率，如下图所示（肌红蛋白和 α-凝血酶分别达到 33.5% 和 42.1%），不过每个靶标都需要识别并克服不同的湿实验失败模式。

在 α-凝血酶上，第 1 轮的结合物命中率为 0%，因为固定的引物突出端干扰了 48% 序列的折叠；一旦智能体在第 2 轮引入了带夹板的侧翼茎环，并在第 3 轮进行多样化设计，命中率就攀升至 26.0%，随后在 98.5% 特异性下达到 42.1%。

在肌红蛋白任务中，由于智能体在第 2 轮中优先追求原始结合亲和力，它们大量富化了 G-四链体 motif（占设计的 63%）。虽然原始 pull-down 信号增加了，但湿实验数据显示，这些 G-四链体大多是非特异性的“黏性”结合物，会黏附到脱靶蛋白和裸磁珠上，导致靶点特异性（从 75.0% 降至 19.1%）和经过磁珠校正的真实命中率（从 10.2% 降至 3.7%）双双骤降。智能体从第 2 轮的读出结果中识别出这一假象后，自主修订了第 3 轮的设计规则：限制易混杂的 motif、剔除磁珠结合物，并转向非 G4 的结构支架，从而恢复了特异性（72.4%），并使在靶命中率激增九倍（33.5%）。

在论文中，我们还考察了智能体如何像科学家一样进行推理：分析数据并对湿实验流程提出调整建议，但它们有时也会有非典型的思路，探索结构生物学家可能不会涉足的序列空间。

加速全新蛋白质结合物设计

对蛋白质实现闭环要复杂得多。与可以通过化学合成的适体不同，蛋白质必须通过生物方式表达，因此每一轮循环都增加了细胞或无细胞筛选、表达和折叠步骤。再加上更大的序列空间，这在计算端和湿实验端都造成了瓶颈。

在论文《Agent-guided epitope excision enables economical de novo binder design》中，我们将这一工作流程应用于 成纤维细胞活化蛋白 alpha（FAP）——一种在实体瘤中过表达的大型、具有挑战性的受体。仅经过几次实验运行，排名靠前的设计就产出了具有个位数纳摩尔亲和力的结合物，这种紧密结合、类药物的结合水平通常只有在经过大量实验室优化轮次后才能达到。

在计算层面，全新结合物设计需要生成候选骨架、为骨架设计序列，并对所得复合物重新折叠以预测结合。最后这一重新折叠步骤消耗了绝大部分 GPU 算力，因为其计算量随靶标长度呈二次方增长。通过在折叠过程中精准切除仅与结合口袋相关的局部区域，我们的流程将每个周期的速度提升了八倍以上，且没有损失结构准确性。这使得“在哪里结合”以及“纳入多少周围结构”的决策成为 LLM 智能体非常擅长优化的战术杠杆。

在同等算力下的正面比较中，人类与智能体协作——由科学家制定高层策略、智能体驱动战术执行——使在硅命中率接近翻倍，同时在更广泛的靶点位点上发现了命中物。为了配合我们的计算流程扩展湿实验筛选，我们用 荧光激活细胞分选（FACS）将酵母表面展示流程化，使我们能够通过荧光并行筛选大型工程蛋白变体库。

我们的下一步是将这些线索串联起来，把 VERID 的完全可追溯自动化与蛋白质发现的闭环学习相结合，使智能体能够在湿实验室中直接探索复杂、崎岖的生物搜索空间。

安全性

遵循 Google 的 前沿安全框架以及我们对 生物韧性 的处理方式，我们在工作流程的计算端和湿实验端都构建了保障措施：

• 安全测试平台与筛查：我们刻意选择了可控性强、无感染性且不涉及功能增益风险的生物系统作为测试平台，用于评估智能体行为并尽早发现偏差。每个设计的序列都要经过生物安全筛查。
• 执行前模拟：通过 VERID,智能体绝不会把未经验证的代码直接发送到液体处理机器人。每个方案都要在模拟中试运行，并在接触试剂之前对照数字孪生进行验证。
• 人类监督：人类直接授权并审查设计的序列，验证湿实验方案，并监督机器人的运行。

随着 AI 智能体承担越来越多的设计-测试周期工作，新的安全性与可靠性挑战也随之出现。迈向自主湿实验室需要解决这些开放性问题，同时保留人类主导与监督的空间：确保智能体针对真正的靶点结合进行优化，而不是采取意外的实验捷径；验证多步骤湿实验方案；以及持续监控智能体的推理与执行轨迹。

从让智能体在实体实验室机器人中落地，到运行快速的闭环适配体循环让智能体学习探索序列空间，再到发现个位数纳摩尔级的蛋白结合剂，这些工作构成了生命科学中人类主导的自主发现的基石。我们对这一进展感到兴奋，并期待分享接下来的成果。

致谢

本研究由 Annalisa Pawlosky 领导，Pooja Rao 和 Petar Sirkovic 共同参与。我们要感谢支持这项工作的基础论文的共同作者与合作者：Zach Cutts、John Coller、Rachel Chen、Mathias Bellaiche、Hua Tang、Ryder Easterlin 和 Dina Zverinski(适配体发现)；Jun Kim、Artiom Myaskovsky、Oscar Donosa、Jamie Rogers 和 Lawrence Chan(蛋白质设计)；以及 Yves Delley、John Coller、Zach Cutts、Alexander Daryin、Mathias Bellaiche、Jun Kim、Oscar Donosa、Srinidhi Seshadri、Tanner Clary 和 Sandy Klemm(VERID 自动化)，并感谢 Xinyi Deng、Sanath Ramachandran 和 Jiawu Bi 提供的额外技术与实验贡献。

我们深深感谢 Reuven Sayag、Avinatan Hassidim、Ronit Levavi Morad、Yossi Matias 和 James Manyika 的领导指导，感谢 Matthias Heiler、Burak Gokturk、Bill Jia 和 Pushmeet Kohli 在整个研究过程中的支持。我们还要感谢 Shekoofeh Azizi、Andrew Carroll、Philip Q. Nelson、Yishay Mansour、Dan Popovici 和 Riccardo Pisoni 的审阅与宝贵反馈，感谢 Amanie Brik 对这项工作的整体贡献，以及感谢 Udi Graff 为本文提供的视觉设计与图形。