10月17日、Google Researchが「Grounding AI agents in biological reality: Building blocks for autonomous wet labs」と題した記事を公開した。AIエージェントを実際のウェット・ラボ（湿式実験室）の自動化ロボットと連携させ、生物学・創薬研究の探索サイクルを閉ループで回す取り組みについて詳しく紹介されている。
なぜ今、ウェット・ラボの自動化が問題になるのか
AIによるin-silico（コンピュータ上）の仮説生成・分子設計は急速に進んでいる。しかし実験による検証が追いつかず、「実験読み出し（experimental readout）」がボトルネックになりつつある。単純に言えば、AIがいくら候補を生成しても、実際に試験管の前で確かめる速度が遅すぎるという問題だ。
加えて、フロンティアモデルは依然として3次元空間や物理的状態の推論が苦手である。液体分注ロボット（液体ハンドリングロボット）を制御するには、試薬の残量、ピペットの先端在庫、ウェル（小穴）の容量管理といった物理的文脈が不可欠であり、これがAIエージェントによるラボ自動化の最大の壁になっている。
Googleはこの課題に対して、3つの研究プロジェクトで答えを出そうとしている。
VERID：ラボの「デジタルツイン」でエージェントを現実に縛る
最も核心的な成果が VERID（VERified Infrastructure for Discovery Laboratories） フレームワークだ。オープンソースのPyLabRobot（Pythonベースのラボ自動化ライブラリ）フレームワーク上に構築されており、ラボの「セマンティック・デジタルツイン（意味的な仮想複製）」として機能する。すなわち、ロボットアームの位置からウェルごとの液量、試薬の種類、ピペット先端の在庫まで、ラボの状態をリアルタイムで3D的に保持する。
VERIDが提供する4つの中核機能は以下のとおりだ：
- ライブ3D状態追跡：エージェントが動作前にデッキ配置・液量・チップ在庫を確認できる
- 高速仮想ドライラン：実際の試薬に触れる前に、秒単位でプロトコルをシミュレートし、衝突や空ウェルを検出する
- ハードウェア安全チェック：物理的に不正なコマンドをロボットに届く前にブロックする
- 映像と実行ログの同期記録：再現性・デバッグのために全実行の完全な記録を保持する
事例として、8チャンネルピペットを幅の狭いトラフに降ろそうとした（物理的に不可能な）コマンドをシミュレータが拒否したケースが紹介されている。エージェントはリアルタイムで計画を修正し、先端の壁面への液残留（キャリーオーバー）に起因する微妙なバイアスを特定する診断実験を設計し直した。
また、閉ループの「セルフプレイ」キャンペーンでは、エージェントが自ら設計・実行したロボット実験を繰り返し、精度を5倍以上向上させたという。
なお、VERIDが前提とするde-novo（白紙からの）設計とは、既知の鋳型を流用せず、ゼロから分子配列や構造を生成するアプローチを指す。この手法は自由度が高い反面、探索空間が膨大になるため、VERIDのようなシミュレーション基盤でサイクルを高速化することが特に重要になる。
アプタマー発見：3ラウンドで実験失敗を自律的に乗り越える
次に示すのが、AIエージェントがリアルな実験フィードバックから学習する実証だ。アプタマー（標的タンパク質に高い親和性で結合するDNAまたはRNA分子）を対象に、「設計→試験→解析」のサイクルを3ラウンド回した。1サイクルにかかる時間は7〜10日と比較的短く、クローズドループ実験のサンドボックスとして適している。
2つのタンパク質標的（ミオグロビンとα-トロンビン）で実験が行われた。各標的で起きた問題と、エージェントがそれをどう乗り越えたかが興味深い：
α-トロンビンの場合： ラウンド1は結合体の検出率が**0%だった。配列の48%で固定プライマーの突起が折り畳み構造を乱していたためだ。エージェントはラウンド2でステム構造を導入し、ラウンド3では多様化を図った結果、検出率は26.0% → 42.1%**（特異度98.5%）まで回復した。
ミオグロビンの場合： ラウンド2で結合親和性を優先した結果、設計の63%がGクアドルプレックス（グアニン塩基が4本鎖状に積み重なった特殊なDNA二次構造）モチーフに集中した。しかし実験データを見ると、これらの多くは非特異的な「粘着性」バインダーで、特異度が75.0%から19.1%に急落していた。エージェントはラウンド2の読み出しからこの問題を自律的に認識し、ラウンド3では乱雑なモチーフに上限を設け、非G4スキャフォールドに転換した結果、特異度72.4%・オンターゲット検出率が9倍に回復した（33.5%）。
タンパク質設計：計算コスト8倍削減と「エピトープ切除」の発想
タンパク質は化学合成できるアプタマーと異なり、生物的に発現させる必要があり、クローズドループがより複雑になる。対象はがん腫瘍で過剰発現する受容体であるFAP（線維芽細胞活性化タンパク質α）だ。
課題は計算コストだった。de-novoタンパク質結合体設計では、最後の「再フォールディング（folding）」ステップが標的配列長の2乗でGPU計算量が増加する。そこで結合に関与するエピトープ（epitope：抗体や結合タンパク質が認識する標的分子上の特定部位）の周辺部位だけを外科的に切除してフォールディングさせる手法を採用した結果、1サイクルあたりの処理速度が8倍以上向上した。
さらに、「科学者が高レベル戦略を設定し、エージェントが戦術的実行を担う」という人間・エージェント協調のアプローチを取ったところ、同等の計算量で、科学者単独と比べてin-silico（計算上）のヒット率がほぼ2倍になったという。最終的な実験では、一桁ナノモル（single-digit nanomolar） の結合親和性を持つ結合体を数回の実験ラウンドで発見した。これは通常、長期にわたる実験的最適化が必要なレベルだ。
安全対策
GoogleはFrontier Safety Frameworkに基づき、以下の安全措置を組み込んでいると明記している：
- 感染性のない、ゲインオブファンクション（機能獲得）リスクのない系をテストベッドに選定
- 設計された全配列へのバイオセキュリティスクリーニング実施
- VERIDによる「シミュレーション先行」で未検証コードがロボットに直接届かない設計
- 人間による配列承認・プロトコル確認・ロボット稼働の監督
まとめ
VERID・アプタマー発見・タンパク質設計の3つの研究は、「AIエージェントが仮説を立てて実験し、失敗から学んで次の実験を設計する」という自律的な科学サイクルの実現に向けた構成要素だ。Googleは次のステップとして、VERIDの完全追跡型自動化とタンパク質発見の閉ループ学習を統合する計画を示している。
この取り組みで特筆すべきは、「AIが単独で実験室を動かす」という単純な自律化ではなく、人間の監督とエージェントの戦術実行を役割分担させることで、双方の弱点を補い合う設計思想にある点だ。VERIDのデジタルツインが物理的な失敗を事前に防ぎ、アプタマー実験が示すように実際の失敗データからも自律的に回復できる仕組みを組み合わせることで、「実験速度がAIの仮説生成に追いつかない」というボトルネックを正面から突破しようとしている。創薬研究の現場にとって、実験サイクルの高速化は直接的なコスト・期間削減に直結するだけに、このアーキテクチャが成熟した際のインパクトは小さくない。
詳細はGrounding AI agents in biological reality: Building blocks for autonomous wet labsを参照していただきたい。
