Google เปิดเผยงานวิจัย 3 ชิ้น วางรากฐานห้องปฏิบัติการชีวภาพอัตโนมัติ

Google Research เปิดเผยกรอบการวิจัยที่เชื่อมการออกแบบของ AI agent เข้ากับการทดลองโดยหุ่นยนต์ในห้องปฏิบัติการ โดยการทดลองแอปทาเมอร์ทำซ้ำขั้นตอนออกแบบ ทดลอง และวิเคราะห์ผล 3 รอบ ก่อนรายงานอัตราการจับกับ α-ทรอมบินที่ 42.1% และความจำเพาะต่อเป้าหมายที่ 98.5%

Google Research เปิดเผยงานวิจัย 3 ชิ้นเพื่อพัฒนาห้องปฏิบัติการชีวภาพอัตโนมัติเมื่อวันที่ 16 ตุลาคม ห้องปฏิบัติการชีวภาพเป็นพื้นที่ที่ใช้หลอดทดลอง สารเคมี และอุปกรณ์วัดปรากฏการณ์ทางชีววิทยาโดยตรง เป้าหมายที่ทีมวิจัยเสนอคือให้ AI agent ออกแบบตัวเลือก ให้หุ่นยนต์ทำการทดลอง แล้ววิเคราะห์ผลเพื่อนำไปปรับการทดลองรอบถัดไป

VERID ซึ่งเป็นโครงสร้างพื้นฐานของงานวิจัย ย่อมาจาก ‘Verified Infrastructure for Discovery Laboratories’ และเป็นเฟรมเวิร์กสำหรับบันทึกสถานะพื้นที่ทำงานในห้องปฏิบัติการแบบดิจิทัล ระบบติดตามตำแหน่งแขนหุ่นยนต์ ปริมาณของเหลวในแต่ละหลุมของเพลตทดลอง ชนิดของสารเคมี และจำนวนหัวปิเปตที่เหลืออยู่แบบเรียลไทม์ Google Research ระบุว่า VERID สร้างขึ้นบนเฟรมเวิร์ก PyLabRobot แบบโอเพนซอร์ส

AI agent สามารถตรวจสอบสถานะห้องปฏิบัติการ วางแผนขั้นตอน และจำลองการทำงานเสมือนก่อนเริ่มทดลอง คำสั่งที่หุ่นยนต์ทำไม่ได้ เช่น การเคลื่อนไหวในทางเดินที่แคบ หรือการดูดของเหลวจากหลุมที่มีสารเคมีไม่เพียงพอ จะถูกปิดกั้นก่อนดำเนินการ วิดีโอการทดลองและบันทึกการเคลื่อนไหวใช้ช่วยให้ทำซ้ำได้และติดตามข้อผิดพลาด

ทีมวิจัยของ Google ทดสอบกระบวนการที่ AI agent นำผลการทดลองไปปรับใช้ในการออกแบบรอบถัดไปผ่านการทดลองแอปทาเมอร์ แอปทาเมอร์คือสาย DNA สั้นที่ออกแบบให้จับกับโปรตีนเป้าหมายเฉพาะ การทดลองเลือกไมโอโกลบินและโปรตีน α-ทรอมบิน ซึ่งมีส่วนเกี่ยวข้องกับการแข็งตัวของเลือดเป็นเป้าหมาย

การทดลอง α-ทรอมบินรอบแรกยังไม่พบตัวเลือกที่จับกับเป้าหมายได้ ทีมวิจัยพบว่าลำดับไพรเมอร์ที่กำหนดไว้ตายตัวรบกวนการพับตัวของตัวเลือก จึงปรับการออกแบบ ในรอบที่ 3 อัตราการจับอยู่ที่ 42.1% และความจำเพาะต่อเป้าหมายอยู่ที่ 98.5%

ในการทดลองไมโอโกลบิน พบปัญหาที่ลำดับซึ่งจับกับสารอื่นนอกเหนือจากเป้าหมายมีจำนวนเพิ่มขึ้น ทีมวิจัยจึงปรับกฎการออกแบบ โดยรายงานอัตราการจับในรอบที่ 3 ที่ 33.5% Google ระบุว่ากระบวนการออกแบบ ทดลอง และวิเคราะห์เพื่อค้นหาแอปทาเมอร์ใช้เวลารอบละ 7–10 วัน

ตัวเลขเหล่านี้ได้จากเป้าหมายและเงื่อนไขการทดลองแต่ละชุด Google Research ไม่ได้นำเสนอผลการทดลองแอปทาเมอร์นี้ว่าเป็นหลักฐานยืนยันความปลอดภัยหรือประสิทธิผลของตัวยาสำหรับผู้ป่วย อัตราการจับกับเป้าหมายและความจำเพาะต่อเป้าหมายเป็นตัวชี้วัดคนละประเภท

ในงานวิจัยการออกแบบโปรตีนอีกชิ้นหนึ่ง Google Research ระบุว่า ทีมสร้างตัวเลือกที่มีความชอบในการจับระดับนาโนโมลหลักหน่วย โดยมุ่งเป้าไปที่โปรตีน FAP ซึ่งแสดงออกมากเกินไปในมะเร็งชนิดก้อน ความชอบในการจับบ่งบอกว่าชีวโมเลกุลสองชนิดจับกันได้แน่นเพียงใด ผลนี้มาจากงานวิจัยอีกสายหนึ่ง จึงไม่สามารถนำไปเปรียบเทียบโดยตรงกับอัตราการจับของแอปทาเมอร์

งานวิจัยชี้ให้เห็นว่าการเปลี่ยนโมเลกุลที่ดูมีศักยภาพจากการคำนวณให้เป็นตัวเลือกที่ทำงานได้จริงในการทดลองยังต้องผ่านการตรวจสอบ Google Research ระบุว่าการออกแบบด้วยคอมพิวเตอร์เพียงอย่างเดียวคาดการณ์ตัวแปรทั้งหมดในการทดลองได้ยาก ทั้งสภาพของสารเคมีและขั้นตอนการเคลื่อนย้ายของเหลว

Google Research เลือกระบบทดลองที่ไม่มีการติดเชื้อและไม่มีความเสี่ยงจากการเพิ่มคุณสมบัติการทำงานมาเป็นพื้นที่ทดสอบ พร้อมเสนอแนวทางป้องกัน ได้แก่ การตรวจสอบความปลอดภัยทางชีวภาพของลำดับที่ออกแบบ การจำลองก่อนให้หุ่นยนต์ทำงาน และให้มนุษย์อนุมัติลำดับพร้อมตรวจสอบขั้นตอนการทดลอง

Google Research ระบุว่ายังมีโจทย์ที่ต้องแก้ ทั้งการป้องกันไม่ให้ agent ปรับผลการทดลองให้ได้เปรียบด้วยวิธีลัดแทนการจับกับเป้าหมายจริง และการกำกับดูแลขั้นตอนทดลองหลายลำดับ รวมถึงการตัดสินใจและการทำงานของ agent อย่างต่อเนื่อง การเปิดเผยครั้งนี้เป็นกรณีทดลองระยะแรก และยังไม่ได้ระบุผลกระทบต่อค่าใช้จ่ายหรือระยะเวลาในการพัฒนายา