iaintel·ligènciaartificial.cat← Portada

CIÈNCIA · 6 MIN

Google fa que agents d'IA dissenyin experiments, els provin en un laboratori robotitzat i aprenguin dels errors

En tres rondes, els agents van millorar les molècules que enganxen una proteïna fins al 42% d'encert, però també van caure en una drecera que semblava un èxit. Els tres informes no consten revisats per parells.

Il·lustració generada amb IA: Google fa que agents d'IA dissenyin experiments, els provin en un laboratori robotitzat i aprenguin dels errors
Il·lustració generada amb IA
Escolta:

Un agent d'IA pot proposar mil molècules en una tarda, però el que compta en biologia és què passa quan es barregen de debò al laboratori. Els investigadors de Google Research Pooja Rao, Petar Sirkovic i Annalisa Pawlosky expliquen un intent de tancar aquest cercle: que l'agent dissenyi, l'experiment es faci amb robots, i el resultat torni a l'agent per millorar el disseny.

El sistema té tres peces. VERID és un «bessó digital» del laboratori, construït sobre la llibreria oberta PyLabRobot, que segueix la posició del braç robòtic, els volums dels pous i les puntes de pipeta, simula cada protocol abans d'executar-lo i bloqueja les ordres invàlides. La segona és un banc de proves amb aptàmers, fragments d'ADN que s'enganxen a una proteïna, amb un cicle de 7 a 10 dies. Amb l'α-trombina, el percentatge d'aptàmers que s'hi van unir va passar del 0% a la primera ronda al 26,0% a la segona i al 42,1% a la tercera, amb un 98,5% d'especificitat. La tercera peça és el disseny de proteïnes contra FAP, un receptor abundant en alguns tumors sòlids: segons els autors, la col·laboració entre persona i agent va gairebé doblar l'encert en simulació respecte d'un científic sol, i els millors candidats van arribar a unir-se amb afinitat de nanomolars d'un sol dígit després de poques tirades experimentals.

El cas més instructiu és el de la mioglobina. A la segona ronda els agents van afavorir uns motius d'ADN (G-quadruplexos, el 63% dels dissenys) que feien pujar la captura bruta, però s'enganxaven a tot: l'especificitat va caure del 75,0% al 19,1%. A la tercera, els agents van corregir les seves regles i van recuperar el 72,4% d'especificitat. Els autors hi veuen un exemple de com un agent pot optimitzar una drecera.

Cal llegir-ho amb mesura. És una entrada de blog amb tres informes tècnics allotjats per Google, i la pàgina no diu que hagin estat revisats per parells. Són dues molècules de prova i poques rondes; no s'ha demostrat que funcioni amb altres dianes. Google diu que només fa servir sistemes sense risc infecciós, que cada seqüència passa un filtre de bioseguretat i que una persona autoritza protocols i execucions. Els mateixos autors reconeixen que verificar protocols llargs i vigilar com raonen els agents continua obert.

Mateix tema

Butlletí de dissabte

La setmana d’IA, en cinc minuts.