Google conecta agentes de IA a experimentos de laboratório

A maior parte do progresso recente em “IA para ciência” aconteceu dentro do computador: modelos que preveem estruturas de proteínas, propõem rotas de síntese ou leem literatura. O gargalo continua sendo o outro lado — a bancada, onde pipetas entopem, reagentes decantam e leitores de placa falham no meio de um ensaio. Em 16 de outubro de 2026, o Google Research publicou um balanço de três projetos que tentam fechar essa lacuna, colocando agentes de IA no comando de experimentos físicos de biologia molecular.

O texto, assinado por Pooja Rao, Petar Sirkovic e Annalisa Pawlosky, apresenta uma infraestrutura de laboratório automatizado, um ambiente de teste com aptâmeros de DNA e um método de projeto de ligantes proteicos. A tese que une os três é que agentes precisam aprender a partir de falhas experimentais reais, e não apenas de simulações — algo que os autores resumem como ensinar agentes a “aprender a aprender”.

Antes de entrar nos números, uma ressalva que o próprio material permite fazer: os três trabalhos foram divulgados como relatórios técnicos em PDF no site da empresa, sem indicação de revisão por pares. Os resultados abaixo são, portanto, autorrelatados.

VERID: um gêmeo digital que entende o que está acontecendo

O primeiro componente é o VERID (de VERified Infrastructure for Discovery Laboratories), descrito como um gêmeo digital semântico da célula de trabalho robótica. Em vez de um modelo 3D decorativo, trata-se de uma árvore de entidades volumétricas com estado: o sistema mantém registro da geometria do braço robótico, dos volumes em cada poço, da identidade dos reagentes e do inventário de ponteiras de pipeta.

A base é o PyLabRobot, SDK aberto e agnóstico de hardware para automação laboratorial, publicado sob licença MIT e desenvolvido para o Sculpting Evolution Group do MIT Media Lab. O projeto tem artigo de referência na revista Device (2023) e suporta manipuladores de líquidos de fabricantes distintos — Hamilton STAR e Vantage, Tecan Freedom EVO e Opentrons OT-2 —, além de leitores de placa, centrífugas, bombas e agitadores aquecidos. Escolher uma base aberta e multifornecedor é uma decisão de engenharia relevante: evita que o agente fique preso ao ecossistema de um único fabricante.

Sobre essa base, o VERID oferece quatro capacidades: rastreamento do estado 3D em tempo real, ensaios virtuais rápidos (segundos), verificações de segurança do hardware e registro sincronizado de vídeo e ações. Essa última é a mais subestimada — sem vídeo alinhado ao log de comandos, um resultado anômalo é indistinguível de um erro de execução.

Os estudos de caso relatados mostram o tipo de problema que esse arranjo detecta:

• vídeo e traços de execução revelaram estratificação desigual de corante causada por dispensação muito próxima do fundo do poço;
• o agente recuperou-se de uma falha do leitor de placa no meio de uma corrida, sem repetir a pipetagem;
• o simulador rejeitou uma aspiração de 8 canais que não caberia em uma calha estreita, antes de qualquer movimento real;
• um diagnóstico fatorial isolou um viés de arraste na parede da ponteira;
• em uma campanha de autojogo, o agente reconstruiu misturas de corante cegas a partir de imagens de câmera superior, com melhora de mais de cinco vezes na acurácia.

Aptâmeros como campo de provas

O segundo projeto usa aptâmeros de DNA — sequências curtas de ácido nucleico que se dobram e se ligam a um alvo — como bancada de testes com ciclo curto. Foram três rodadas de projeto e teste sobre dois alvos proteicos, mioglobina e α-trombina, com cada ciclo durando de 7 a 10 dias. As bibliotecas de DNA são sintetizadas em pools, a leitura é por sequenciamento e a triagem ocorre em esferas magnéticas.

O episódio mais interessante é um fracasso. Na segunda rodada contra a mioglobina, os agentes priorizaram afinidade bruta, e motivos de G-quadruplex — estruturas que grudam em quase tudo — chegaram a 63% dos projetos. O resultado foi uma piora acentuada: a especificidade caiu de 75,0% para 19,1% e a taxa de acerto corrigida pelas esferas recuou de 10,2% para 3,7%. Em outras palavras, o sistema otimizou a métrica e perdeu o objetivo.

Na terceira rodada, os agentes limitaram os motivos promíscuos, subtraíram os ligantes das esferas e migraram para arcabouços sem G-quadruplex. A especificidade voltou a 72,4% e a taxa de acerto no alvo chegou a 33,5%, aumento de nove vezes em relação à rodada anterior.

O alvo α-trombina rendeu uma lição diferente, de natureza técnica. A primeira rodada produziu 0% de ligantes, porque as extremidades fixas dos iniciadores atrapalhavam o dobramento em 48% das sequências — um artefato do protocolo, não do projeto molecular. Com hastes flanqueadoras fixadas na segunda rodada, a taxa de acerto subiu a 26,0%; a diversificação na terceira rodada levou a 42,1%, com 98,5% de especificidade.

Os valores da mioglobina para taxa de acerto são os corrigidos pelas esferas, conforme descrito na publicação.

Excisão de epítopo e ligantes de FAP

O terceiro projeto trata de projeto de novo de ligantes proteicos contra a FAP (proteína alfa de ativação de fibroblastos), um receptor grande superexpresso em tumores sólidos. A técnica apresentada, chamada de excisão de epítopo, consiste em recortar o bolsão local de ligação durante o redobramento, em vez de processar a proteína inteira.

O ganho relatado é de desempenho computacional: aceleração de 8,6 vezes na predição de estrutura — “mais de oito vezes”, no corpo do texto — sem perda de acurácia estrutural. Há também um resultado sobre divisão de trabalho que merece registro: com o mesmo orçamento de computação, um cientista definindo estratégia e um agente executando tática praticamente dobrou a taxa de acerto in silico em relação ao cientista trabalhando sozinho.

A validação experimental usou exibição em superfície de levedura com separação celular por fluorescência (FACS). Segundo o Google, os melhores projetos resultaram em ligantes de FAP com afinidade na faixa de nanomolar de um dígito — número que, até revisão independente, deve ser lido como alegação do fabricante, não como dado verificado.

Limitações declaradas e salvaguardas

O balanço é incomum por explicitar fraquezas. Os autores afirmam que modelos de fronteira ainda não raciocinam de forma confiável sobre geometria 3D e estado físico — razão pela qual o gêmeo digital existe. Reconhecem que modelos computacionais não substituem validação empírica, e que agentes podem otimizar atalhos experimentais, exatamente como no caso dos G-quadruplex. Também apontam dois problemas abertos: verificação de protocolos de bancada com várias etapas e monitoramento contínuo do raciocínio dos agentes.

No quesito biossegurança, a publicação descreve quatro medidas: uso de bancadas de teste não infecciosas e sem risco de ganho de função, triagem de biossegurança de toda sequência projetada, simulação antes de qualquer execução robótica e autorização e revisão humanas. São controles razoáveis para o escopo descrito, embora o texto não detalhe como a triagem é feita nem quem a audita.

O que muda para laboratórios que adotam agentes de IA

O valor prático mais imediato não está nas moléculas, e sim na instrumentação. Um gêmeo digital com estado, ensaio virtual em segundos e log de vídeo sincronizado é infraestrutura reutilizável por qualquer laboratório que já opere manipuladores de líquidos compatíveis com o PyLabRobot. A dependência de hardware específico e de pessoal treinado, no entanto, continua sendo a barreira real de adoção: nenhum dos três projetos remove a necessidade de um laboratório físico bem equipado.

Para empresas de biotecnologia, o ponto de atenção é o ciclo de 7 a 10 dias. Ele é curto o suficiente para iteração dirigida por agentes, mas ainda longo o bastante para que cada rodada mal planejada custe caro — e o caso da mioglobina mostra que uma rodada pode piorar o resultado. O risco de uso irrefletido desse tipo de pipeline é otimizar métricas intermediárias e acumular compostos inúteis com rapidez industrial.

Há também o lado da governança. Sistemas que projetam sequências biológicas e as executam em robôs deslocam a discussão de segurança de IA para o terreno físico. Até aqui, o que existe de público são medidas descritas pela própria empresa; não há padrão setorial de auditoria para triagem de sequências em laboratórios automatizados, e essa lacuna tende a ficar mais visível à medida que a prática se difunde.

Conclusão

O conjunto divulgado pelo Google é incremental no melhor sentido: resolve problemas de encanamento — estado do equipamento, rastreabilidade, artefatos de protocolo — que impediam agentes de operar com utilidade na bancada. Os resultados biológicos mais chamativos, como os ligantes de FAP em nanomolar de um dígito, são promissores e dependem de validação externa.

O que observar a seguir são três sinais: se os três relatórios técnicos passarão por revisão por pares, se o código do VERID será liberado para além do PyLabRobot que o sustenta, e se outros grupos reproduzirão a melhora de especificidade em alvos diferentes. Trabalhos como o agente científico Robin, da FutureHouse, e os experimentos de química medicinal conduzidos por modelos de linguagem mostram que a competição nesse espaço é real — e que a diferença entre demonstração e método vai se decidir na reprodutibilidade.

Fontes e referências

• Google Research — Grounding AI agents in biological reality: Building blocks for autonomous wet labs
• Google Research — Semantic Representation for Agentic Self-Play in Automated Laboratories (PDF, relatório do VERID)
• Google Research — Agentic aptamer sandbox (PDF)
• Google Research — Epitope excision for de novo binder design (PDF)
• PyLabRobot — repositório oficial e artigo em Device, v. 1, n. 4, 2023 (Wierenga, Golas, Ho, Coley e Esvelt)