Grounding AI agents in biological reality: Building blocks for autonomous wet labs

将AI代理扎根于生物现实：自主湿实验室的构建模块

2026年10月16日

Pooja Rao，研究员，Petar Sirkovic，软件工程师，Annalisa Pawlosky，研究员，Google

我们正在将AI代理引入Google Research的湿实验室工作台，以探索复杂的生物领域。通过将代理扎根于物理实验室机器人，我们可以运行快速的闭环分子设计周期，使代理学会如何学习，最终发现针对癌症靶点的单位纳摩尔级蛋白质结合物。

快速链接

• VERID论文

• 代理型适配体沙盒论文

• 表位切除论文

• 分享复制链接 ×

前沿AI系统有望通过智能导航庞大的组合搜索空间（例如，单个100个氨基酸的蛋白质至少有20^100种可能序列）来变革生物研究和药物发现，这需要动态的多候选探索。我们的长期研究愿景是AI代理不仅能提出设想和分析，还能运行实验室实验来验证假设，从结果中学习并自我改进以解决复杂问题——所有过程均由人类科学代理驱动。

实现这一愿景需要解决两个相互关联的挑战：首先，前沿模型在三维几何和物理状态方面的推理仍不可靠——这在自动化专门的液体处理机器人时带来问题，这些机器人需要移动试剂、跟踪体积并执行湿实验室的分子生物学协议。其次，虽然代理假设生成和计算机模拟设计正在快速发展，但需要多次真实世界反馈循环来验证提案并导航广阔搜索空间，而真实世界湿实验室实验却未能跟上，使得实验结果读取比以往任何时候都更成为瓶颈。

在本文中，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VERID框架，使AI代理能够基于物理测量执行安全、资源高效的实验。

• 在我们的适配体和从头设计蛋白质设计原型上展示闭环代理科学发现。

将代理扎根于物理现实

首先，我们介绍了VERified Infrastructure for Discovery Laboratories（VERID）框架，以弥合AI代理的高层推理与湿实验室复杂、易出错的物理现实之间的差距。它是实验室工作站的语义数字孪生体，即一个实时、有状态的3D体积实体树，追踪从机械臂几何形状到单个孔体积、试剂身份和移液器尖端库存的一切信息。

命令的安全性取决于实时物理上下文和代码。代理可以生成语法正确的代码，但可能在物理上不可能（例如，将8通道移液器降低到过短的狭窄槽中）、物流上无效（例如，从耗尽的孔中吸取液体）或因未建模的流体效应而科学上受损。

播放循环视频

暂停循环视频

取消静音视频

静音视频

通过VERID，AI代理可以在液体处理机器人上规划、模拟并执行液体处理协议，结合同步多摄像头视图与实时状态跟踪，在实验周期中优化实验。

基于开源的PyLabRobot框架，VERID提供四个核心功能：

• 实时3D状态跟踪：允许代理在行动前检查实验板布局、井体积和可用移液头。

• 快速虚拟预演：在几秒内模拟实验流程，提前发现试剂接触前的碰撞或空井问题。

• 硬件安全校验：在指令到达机器人前阻止无效操作。

• 同步视频与操作日志：完整记录每次运行过程，确保科研严谨性、可复现性和调试需求。

在我们的报告中，通过案例研究展示了这些能力的实际应用。首先，同步视频与执行轨迹捕捉到了因靠近井底分配导致的染料分层不均问题，使代理能够优化混合策略。在同一批次实验中，持续更新的数字孪生状态使代理在板读取器故障时无需重新移液即可中途恢复运行。其次，当模拟器拒绝了物理上无法适应狭窄沟槽的8通道吸液操作时，代理即时重新规划并设计了针对性的因子诊断实验，发现了残留移液头壁携带效应导致的细微偏差——这种偏差仅靠重复实验无法发现。最后，在闭环自博弈活动中，代理通过迭代设计和运行机器人实验，从顶部摄像头图像中重建了盲样染料混合物，并在多轮次中识别自身光学和流体学伪影，使准确性提升了五倍以上。

可复现的执行过程和完整操作日志——记录诸如停留时间、蒸发和板布局等过程变量——为代理最终实现从实验噪声中分离生物信号奠定了基础，使其能够在多轮次并行探索中优化大量候选方案。

通过适配体学习如何学习

代理需要真实的实验数据来优化假设，因为计算模型无法完全捕捉湿实验反应的全貌，也不能替代经验验证。在《适配体：实验室在环智能分子发现的沙盒》中，我们使用蛋白质结合DNA适配体，通过3轮设计-测试-迭代周期，与AI代理实现闭环实验室原型。适配体发现是临床生物标志物研究中常见的实验类型。完整的适配体设计-测试-分析周期仅需7-10天，因为DNA可通过化学合成池库直接通过测序读取。

在每轮实验中，代理设计候选序列，通过磁珠筛选目标蛋白以分离功能性结合体，然后进行测序以返回丰富定量数据供下一轮使用。

根据image_width确定适当宽度

对于移动图像，使用默认宽度

代理在闭环系统中迭代设计、合成、筛选和测序适配体。

在两个不同难度目标蛋白（肌红蛋白和α-血栓蛋白酶）的三轮实验中，AI驱动的理性设计和从头设计显著提高了靶向命中率（肌红蛋白和α-血栓蛋白酶分别达到33.5%和42.1%），但每个目标都需要识别并克服不同的湿实验故障模式。

在α-血栓蛋白酶实验中，第一轮因固定引物过hang导致48%序列折叠失败，命中率为0%；第二轮代理引入夹式侧翼茎结构后命中率升至26.0%，第三轮通过多样化设计最终达到98.5%特异性下的42.1%。

在肌红蛋白靶标上，由于第二轮中设计者优先考虑原始结合亲和力，G-四链体基序在设计方案中占比高达63%。虽然原始拉下实验数据有所提升，但湿实验数据表明，这些G-四链体大多是非特异性的"粘性"结合体，会附着在非靶标蛋白和裸磁珠上，导致靶标特异性（从75.0%降至19.1%）和经磁珠校正后的真正命中率（从10.2%降至3.7%）大幅下降。基于第二轮结果识别到这一伪影后，设计者在第三轮自主调整了设计规则：限制泛结合基序、剔除磁珠结合体，并转向非G4结构支架，成功恢复了特异性（72.4%）且靶标命中率提升了9倍（33.5%）。

在三轮迭代中，设计者通过湿实验数据反馈，成功恢复了肌红蛋白（左）和α-血栓蛋白酶（右）的靶标特异性，并提升了确认的从头设计命中率。

在论文中，我们还分析了设计者如何像科学家一样进行推理：既会分析数据并建议优化湿实验流程，有时也会以非典型方式探索结构生物学家可能忽略的序列空间。

加速从头设计蛋白结合物

实现蛋白质闭环设计更为复杂。与化学合成的适配体不同，蛋白质必须通过生物表达，因此每个闭环迭代都需要增加细胞或无细胞选择、表达和折叠步骤。结合更大的序列空间，这在计算端和湿实验端都形成了瓶颈。

在《Agent指导的表位切除使经济高效的从头设计成为可能》一文中，我们将该工作流程应用于成纤维细胞活化蛋白α（FAP），这是一种在实体肿瘤中过表达的大型挑战性受体。仅通过几次实验迭代，最佳设计方案就产生了纳摩尔级（个位数）亲和力的结合物，这种紧密的药物样结合通常需要经过多轮实验室优化才能实现。

手术式表位切除使结构预测速度提升8.6倍（左），使人类-智能体混合流程将计算机模拟命中率几乎翻倍（右上），并在湿实验中发现了个位数纳摩尔级FAP结合物（右下）。

计算层面，从头设计结合物需要生成候选骨架、设计适配序列，并重新折叠复合物以预测结合。这最后的重新折叠步骤消耗了绝大多数GPU算力，因为其计算量随目标长度呈二次方增长。通过在折叠过程中仅手术式切除局部结合口袋，我们的流程使每个迭代周期加速超过8倍且不损失结构精度。这将结合位点选择和周围结构包含范围的决策转化为LLM智能体擅长优化的战术杠杆。

在同等算力的正面对比中，人类-智能体协作模式（科学家制定战略，智能体执行战术）使单个科学家的计算机模拟命中率几乎翻倍，同时在更广泛的靶标位点发现了更多有效结合物。为与计算流程同步扩展湿实验筛选，我们实现了酵母表面展示结合流式细胞分选（FACS）的标准化操作，该流程可通过荧光信号并行筛选大量工程化蛋白变体库。

下一步，我们将把这些要素整合起来，通过将 VERID 的全流程可追溯自动化与蛋白质发现的闭环学习相结合，使智能体能够直接在湿实验中导航复杂且崎岖的生物搜索空间。

安全性

遵循 Google 的前沿安全框架和我们对生物韧性的方法，我们在工作流程的计算端和湿实验端都构建了多重保障机制：

• 安全的测试床与筛选：我们有意识地选择了可控性高、无传染性且无功能增强风险的生物系统作为测试平台，用于评估智能体行为并及早发现偏差。所有设计的序列都会经过生物安全筛选。

• 执行前的模拟验证：通过 VERID，智能体不会直接将未经验证的代码发送给液处理机器人。所有实验方案都会在模拟环境中进行预演，并与数字孪生模型验证无误后才接触试剂。

• 人工监督：人类直接授权并审查设计序列，验证湿实验方案，并监督机器人运行。

随着 AI 智能体承担更多设计-测试循环工作，新的安全性和可靠性挑战随之出现。向自主湿实验室演进需要解决这些开放性问题，同时保留人类代理权和监督机会：确保智能体优化真实目标结合而非依赖意外的实验捷径，验证多步骤湿实验方案，并持续监控智能体的推理和执行轨迹。

从将智能体扎根于物理实验室机器人，到运行快速闭环适配体循环（智能体在此学习探索序列空间），再到发现纳摩尔级蛋白结合物，这些努力构成了生命科学领域人类主导的自主发现的基石。我们对这些进展感到振奋，并期待分享接下来的成果。

致谢

本研究由 Annalisa Pawlosky 主导，Pooja Rao 和 Petar Sirkovic 协助完成。我们衷心感谢所有支持本研究的基础论文的合著者和合作者：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，Xinyi Deng、Sanath Ramachandran 和 Jiawu Bi 在 VERID 自动化方面提供了额外的技术和实验支持。

我们非常感谢 Reuven Sayag、Avinatan Hassidim、Ronit Levavi Morad、Yossi Matias 和 James Manyika 的领导指导，以及 Matthias Heiler、Burak Gokturk、Bill Jia 和 Pushmeet Kohli 在整个研究过程中的支持。同时感谢 Shekoofeh Azizi、Andrew Carroll、Philip Q. Nelson、Yishay Mansour、Dan Popovici 和 Riccardo Pisoni 的审阅与深入反馈，感谢 Amanie Brik 对整体工作的贡献，以及 Udi Graff 为本文提供的视觉设计和图形支持。

• 标签：

• 一般科学

• 健康与生物科学

• 机器人技术

其他相关文章

• 2026年10月14日 Research@ 2026：10种方式我们正在放大人类创造力 一般科学 · 生成式AI · 健康与生物科学

• 2026年10月14日 使用 Deep Review 分析技术文档 一般科学 · 机器智能 · 自然语言处理

• 2026年10月14日 将Earth AI投入应用：地理空间代理解决地球最大挑战 Earth AI · 一般科学 · 机器智能

×

❮

❯

两张折线图展示了Myoglobin和alpha-Thrombin在三轮实验中特异性与命中率的提升情况。

展示手术表位切除结果的图形，包含结构模型、命中率及结合验证曲线。

一张图示说明用于设计和验证适配体候选物的多轮闭环代理AI流程。