谷歌推进AI agent与湿实验闭环：让AI从实验中学习发现纳摩尔级蛋白结合分子

图1｜适配体设计与实验反馈的闭环。

研究围绕α-凝血酶和肌红蛋白进行了三轮迭代，遇到了不同的失败原因。

α-凝血酶的首轮设计未获得命中。固定引物侧翼干扰了部分序列的折叠；调整结构并增加设计多样性后，新设计候选经磁珠背景校正的靶向命中率，从0%升至26.0%，再升至42.1%。

肌红蛋白的过程更曲折。第二轮设计偏向G-四链体，表面结合信号增强，但许多序列也会黏附其他蛋白或磁珠。特异性从75.0%降至19.1%，校正后的命中率从10.2%降至3.7%。

智能体识别这一问题后，减少易产生非特异性结合的结构，转向其他骨架。第三轮特异性恢复至72.4%，命中率升至33.5%。这表明，真实实验能够揭示计算设计未充分考虑的问题，并帮助智能体修正后续的探索策略。

图2｜两个靶点的特异性和命中率变化，两类指标的统计口径不同。

蛋白质的闭环设计比适配体更复杂。蛋白质需要生物表达，还涉及筛选与折叠；计算端则要生成候选骨架、设计序列，再预测复合物结构。随着靶点增大，结构预测的计算负担也随之增加。

团队采用“表位截取”方法，在相关计算中保留局部结合界面及必要周边结构，减少完整靶点带来的影响使结合位置和周边结构范围成为智能体可以优化的设计选择。在15个靶点、3666个设计的评估中，截取结构能够较好地重现完整靶点的结合界面。

研究进一步以成纤维细胞活化蛋白α（FAP）为对象。这是一种在实体瘤中高表达、设计难度较大的蛋白靶点。科学家确定总体策略，智能体执行具体搜索；在固定计算预算下，相较科学家单独设计，人机协作的计算命中率从5.06%提高到9.33%。

实验端采用酵母表面展示与荧光激活细胞分选来筛选候选。优选设计获得了个位数纳摩尔级亲和力的结合分子。这一结果验证了候选的靶点结合能力，治疗效果仍需后续研究。

图3｜局部结构截取、计算筛选及FAP结合验证结果。

谷歌团队采用受控、非感染性且不涉及功能增强风险的实验体系，并对设计序列进行生物安全筛查。在VERID中，操作指令必须先经过模拟和数字孪生验证，才能交给机器人执行。研究人员负责授权和审核设计序列、核验实验方案，并监督机器人运行。

下一步，团队计划把VERID的可追溯自动化与蛋白质发现的闭环学习结合，让智能体能够在真实实验中探索复杂的生物学问题。

将AI智能体连接到实验机器人，通过快速的适配体闭环实验学习探索序列空间，并发现个位数纳摩尔级亲和力的蛋白质结合分子，谷歌的这些进展正在为研究人员指导下的自主科学发现奠定基础。

随着计算设计、实验执行与反馈学习进一步衔接，智能体有望承担更完整的研究任务，在真实实验中检验假设并持续改进设计。