Google 把 AI 智能体放进湿实验室：数字孪生 VERID + 适配体闭环 + 蛋白结合剂设计三件套，适配体命中率从 0% 拉到 42.1%
导语（一句话先说结论）
Google Research 官方博客公开了三块"自主湿实验室"的积木：给实验室工位做语义数字孪生的 VERID 框架、让智能体闭环设计 DNA 适配体的 Aptamer sandbox、以及把结构预测提速 8.6 倍的表位切除式蛋白结合剂设计。最抓眼球的数字是：改造 α-凝血酶适配体，三轮物理实验下来，命中率从第一轮的 0% 爬到第三轮的 42.1%。官方强调，这三套系统目前彼此独立、且人类仍负责授权与复核——离"全自动无人实验室"还有一段距离。（本文基于多家媒体转述整理）
3分钟看懂版
- 是什么：AI 智能体不再只做计算机里的预测，而是下到真实的液体处理机器人旁边，设计实验、跑实验、读结果、再改设计。
- 三块积木：VERID（给机器人实验室加"数字孪生"和物理安全护栏）、适配体闭环（DNA 结合分子的设计-测试-改进）、蛋白结合剂设计（对 FAP 靶点，把结构预测提速 8.6 倍，找出个位数纳摩尔的结合剂）。
- 硬指标：α-凝血酶适配体三轮命中率 0% → 26.0% → 42.1%；肌红蛋白 33.5%；FAP 结合剂表观 Kd 3.0–9.1 nM；染料盲配辨识精度提升 5 倍以上。
- 谁来把关：人类定策略、授权序列、复核协议、监督机器人跑；每条序列过生物安全筛查。
- 一句话价值：AI 做科研的瓶颈正从"想出点子"转到"真实世界里的实验吞吐"，Google 给的是补这块短板的工程积木。
为什么"让 AI 下实验台"这么难
前沿模型在计算机里很能干：提议候选分子、预测结构、写分析代码都不成问题。但一到湿实验室，麻烦就来了。Google 在博客里点出两个卡点：
第一，前沿模型对三维几何和物理状态的理解并不可靠，而液体处理机器人恰恰要求极其精确——枪头会不会撞到孔板、某个孔还剩下多少液体、试剂是哪种，这些都必须弄对，否则一段"语法正确"的代码可能描述出一个物理上不可能的动作。
第二，真实湿实验的节奏跟不上计算设计的速度。模型一晚上能生成成千上万个候选，但试管里到底哪个是真的，只能靠实验验证，实验读出反而成了最大的瓶颈。
Google 的思路，是分别给这两块短板补上工程积木。
积木一：VERID——给实验室做"语义数字孪生"
VERID（VERified Infrastructure for Discovery Laboratories）是一个语义数字孪生：一棵实时、有状态的 3D 体素实体树，把机械臂几何、每个孔的液量、试剂身份、枪头库存全都跟踪起来。它建在开源框架 PyLabRobot 之上，提供四项核心能力：
- 实时 3D 状态跟踪：智能体动手前先查工位布局、孔内液量、可用枪头。
- 秒级虚拟干跑：不碰试剂就能模拟整套流程，提前发现碰撞或空孔。
- 硬件安全校验：非法指令在到达机器人之前就被拦下。
- 视频与动作日志同步：每次运行留下完整记录，便于复现与调试。
博客举了几个具体例子：同步录像抓到"分液离孔底太近"导致的染料分层，智能体据此改进了混匀策略；在一次运行中板式读数仪故障，孪生的持续状态让智能体中途恢复、无需重新分液；模拟器发现"8 通道枪头伸不进窄槽"后，智能体当场重规划，还顺带设计了一组诊断实验，定位到枪头壁残留带来的细微偏差。在一场闭环"自博弈"实验中，智能体反复设计与运行机器人实验，从俯拍图像里重建被盲化的染料混合液，辨识精度比初始水平提升了 5 倍以上。
积木二：适配体闭环——命中率从 0% 到 42.1%
要让智能体学会"怎么学"，得有能快速迭代的真实实验。Google 选了 蛋白结合 DNA 适配体当沙盒：DNA 可以化学合成、直接测序读出，一整轮"设计-测试-分析"只要 7–10 天，候选成本约 3 美元/条。
流程是闭环的：智能体设计候选序列 → 在磁珠上对着目标蛋白筛选、分离出能结合的 → 直接测序返回定量数据 → 喂给下一轮。在三轮实验、两个难度不同的靶点上：
α-凝血酶（血凝相关蛋白）三轮 beads-corrected 命中率 0% → 26.0% → 42.1%（末轮特异性 98.5%），纯 de novo 候选末轮 37.1%。第一轮之所以颗粒无收，是因为固定引物悬垂破坏了 48% 序列的折叠；智能体在第二轮引入"钳制茎"结构、第三轮再做多样化，命中率才爬起来。
肌红蛋白则更曲折：第二轮智能体一味追求原始结合力，大量富集了 G-四链体基序（占设计 63%），结果这些结构多是粘在非靶蛋白和裸磁珠上的"粘性"结合子，特异性从 75.0% 掉到 19.1%、真实命中率从 10.2% 掉到 3.7%。智能体从第二轮的读出里识别出这个假象，第三轮自主修改设计规则：限制易滥交的基序、扣掉磁珠结合子、改用非 G4 的骨架，特异性回升到 72.4%，命中率冲到 33.5%（184/549）。
Google 说，智能体有时像科学家一样推理、给湿实验协议提改进建议，有时也会"跳出常规"，探索结构生物学家未必会想到的序列空间。
积木三：蛋白结合剂设计——结构预测提速 8.6 倍
闭环做蛋白比适配体更难：蛋白得靠生物表达，每轮多出细胞/无细胞选择、表达、折叠等步骤，加上序列空间更大，计算与湿实验两端都是瓶颈。
Google 把这个流程用在 FAP（成纤维细胞活化蛋白 α）——一个实体瘤里高表达的大而难缠的受体。计算上的关键取巧：de novo 结合剂设计需要反复对复合物再折叠来预测结合，而这一步计算量随靶点长度二次增长、吃掉绝大部分 GPU 算力。团队只对局部结合口袋做"表位切除"再折叠，每一轮计算提速 8.6 倍以上，且不损失结构精度。这让"绑定哪里、周围结构带多少"变成 LLM 智能体善于优化的战术旋钮。
结果是：等算力下，人机协作（科学家定策略、智能体做执行）的 in-silico 命中率 9.33%，几乎是科学家单干（5.06%）的两倍，且覆盖的靶位范围更广（智能体单干 6.18%）；只用几轮实验，顶级设计就拿到个位数纳摩尔亲和力（四个富集克隆表观 Kd 3.0–9.1 nM）。湿实验端用酵母表面展示 + 流式分选（FACS）并行筛选大文库。
人类还在环里：监督与安全
这套东西目前不是无人实验室。三套系统彼此独立，"把 VERID 的自动化与闭环蛋白发现织在一起"是 Google 说的下一步。研究者强调：每条设计序列都过生物安全筛查；人类负责授权与复核序列、校验实验协议、监督机器人运行；协议必须先通过仿真与数字孪生校验才能上硬件。作者的定调是——"走向自主湿实验室，需要带着人类能动性与监督的机会去解决这些开放问题。"
局限与冷静看待
- 仍是积木，不是整机：VERID、适配体闭环、蛋白设计三者尚未集成；亮点数字来自各自独立的实验。
- 早期结果：FAP 结合剂是"早期结果"，不代表已验证疗法；亲和力虽是药物级水准，但离成药还有距离。
- 适配体≠蛋白：适配体可化学合成、迭代快，正是它的"好做"才被选来做沙盒；蛋白闭环的难度高一个量级。
- 可复现性挑战：闭环发现的可靠性仍依赖实验设计与读出质量，Google 自己也在探讨如何把"生物信号"从"实验噪声"里分离出来。
来源（基于多家媒体转述整理）
- Google Research 官方博客：https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs
- Interesting Engineering：https://interestingengineering.com/ai-robotics/google-protein-design-cancer-binders
- CryptoBriefing：https://cryptobriefing.com/google-verid-ai-autonomous-wet-labs
- TokenPost：https://www.tokenpost.com/news/technology/33786
- Superpower Daily：https://superpowerdaily.com/posts/google-says-ai-agents-improved-dna-binders-by-learning-from-lab-setbacks