Google Research、AIエージェントで自律実験室を構築する3研究を発表

発表の概要

Google Researchは2026年10月16日、AIエージェントをウェットラボ（実際に試薬を扱う実験室）の作業台に持ち込む取り組みをブログで公開した。狙いは、AIが仮説を考えるだけでなく、実験を実行して結果から学び、自己改善するという長期的な研究ビジョンにある。著者はPooja Rao氏、Petar Sirkovic氏、Annalisa Pawlosky氏の3名だ。

背景として、100アミノ酸のタンパク質が少なくとも20の100乗通りもの配列をとりうるなど探索空間が膨大で、複数候補を動的に探索する必要があると説明する。さらに、フロンティアモデルは3次元の形状や物理状態を安定して推論できないという課題と、実験による読み出しがボトルネックになっているという課題の2つを同時に解く必要があるとしている。

VERIDで物理世界に接地

VERIDは「VERified Infrastructure for Discovery Laboratories」の略で、実験室の作業セルを意味論的なデジタルツインとして表現する。ロボットアームの形状から各ウェルの体積、試薬の種類、ピペットチップの在庫までを追跡する、状態を持つ3Dのボリュームエンティティツリーだと説明されている。オープンソースのPyLabRobotフレームワーク上に構築されている。

提供される機能は4つある。デッキ配置やウェル体積を確認するライブ3D状態追跡、数秒で衝突や空のウェルを検出する仮想ドライラン、不正なコマンドをロボットに届く前に止めるハードウェア安全チェック、そして全実行を記録する同期映像と操作ログだ。エージェントは構文的に正しくても物理的に不可能なコードを生成しうるため、実行前の検証が要になる。

報告では複数のケーススタディが示されている。ウェル底に近すぎる分注による色素の成層を映像と実行トレースから検出して混合戦略を修正した例、プレートリーダー故障から実行途中で復帰した例、狭いトラフに収まらない8チャネル吸引をシミュレータが拒否しエージェントが再計画した例などだ。閉ループの自己対戦型キャンペーンでは、撮影画像からブラインドの色素混合を再構成する精度が5倍以上に改善したという。

アプタマーで学び方を学ぶ

アプタマーは特定のタンパク質に結合するDNAで、プール状のライブラリとして化学合成でき、結果をシーケンスで直接読み出せる。そのため設計・試験・解析の1サイクルが7〜10日で完了する。エージェントは各ラウンドで候補配列を設計し、磁気ビーズ上の標的タンパク質に対してスクリーニングし、配列決定によって定量データを得て次のサイクルに回す。

ミオグロビンとα-トロンビンという難易度の異なる2つの標的に対し、3ラウンドの設計・試験を実施した。確認されたヒット率はミオグロビンで33.5%、α-トロンビンで42.1%に達した。ただし標的ごとに異なる実験上の失敗モードを特定して克服する必要があった。α-トロンビンでは、Round 1のヒット率が0%で、48%の配列で固定プライマーのオーバーハングが折りたたみを阻害していた。Round 2でクランプしたフランキングステムを導入すると26.0%に上がり、Round 3で多様化を進めて42.1%、特異性98.5%に達した。

ミオグロビンでは逆の失敗が起きた。Round 2でエージェントが生の結合親和性を優先した結果、設計の63%がG-四重鎖モチーフに偏り、特異性は75.0%から19.1%へ、ビーズ補正済みの真のヒット率は10.2%から3.7%へ落ち込んだ。エージェントはこの読み出しから人工物を認識し、Round 3で設計ルールを自律的に修正して、特異性72.4%、ヒット率33.5%まで回復させた。

タンパク質設計への応用

タンパク質で閉ループを回すのはより複雑だ。アプタマーが化学合成なのに対し、タンパク質は生物学的に発現させる必要があり、各ループに細胞または無細胞系での選択・発現・フォールディングの工程が加わる。配列空間も広く、計算側と実験側の両方でボトルネックが生じる。

固形腫瘍で過剰発現する線維芽細胞活性化タンパク質α（FAP）を対象に、エピトープ切除という手法を適用した。de novo設計では候補の骨格生成、配列設計、複合体の再フォールディングによる結合予測が必要で、最後の再フォールディングがGPU計算の大部分を占め、標的長に対して二次関数的に増大する。結合ポケットの局所部分だけを切除して折りたたむことで、構造精度を保ったまま各サイクルを8.6倍高速化した。

同じ計算資源での直接比較では、科学者が上位戦略を決めエージェントが戦術的な実行を担う人間とエージェントの協働が、科学者単独に比べてインシリコのヒット率をほぼ2倍にし、より広い範囲の標的部位でヒットを見つけた。湿式スクリーニングは酵母表面提示法とFACS（蛍光標識した細胞を1つずつ選別する手法）を組み合わせて大規模化している。

安全策と残る課題

GoogleはFrontier Safety Frameworkとバイオレジリエンスの方針に沿って、計算側と実験側の両方に安全策を置いている。gain-of-function（機能獲得）リスクのない、管理された非感染性の生物系をテストベッドとして選び、設計したすべての配列にバイオセキュリティスクリーニングを実施する。VERIDを通じて未検証のコードを液体ハンドリングロボットに直接送ることはなく、配列の承認、実験プロトコルの確認、ロボット実行の監督は人間が担う。

一方で、エージェントが設計・試験サイクルを担う範囲が広がるにつれて新たな課題も生じる。エージェントが真の標的結合ではなく意図しない実験上の近道を最適化してしまうこと、多段階の湿式プロトコルを検証すること、エージェントの推論と実行トレースを継続的に監視することが未解決の課題として挙げられている。