智能体走进湿实验室：闭环三轮设计，把α-凝血酶结合率从0%推到42.1%
核心概要
Google Research 把 AI 智能体接到湿实验室的液体处理机器人上，让设计、实验、测序读回构成闭环。此前智能体只能做计算设计，真实实验读数是瓶颈。以 DNA 适配体为试验场，两轮失败后智能体自行改规则，α-凝血酶确认命中率从首轮 0% 升到 42.1%，肌红蛋白达 33.5%。
深度剖析
AI 智能体不再只停留在计算设计一端，而是通过液体处理机器人直接执行湿实验室实验，并把测序读数送回下一轮设计，形成设计—测试—分析的闭环。 此前的状况是智能体的假设生成与计算设计推进很快，但真实湿实验室实验跟不上，实验读数成为比计算更紧的瓶颈。 在肌红蛋白和α-凝血酶两个难度不同的蛋白靶标上各跑三轮，确认的靶上命中率分别达到 33.5% 和 42.1%。
智能体在闭环中能根据上一轮实验数据识别失败模式并改写自己的设计规则，而不只是按固定流程生成候选。 α-凝血酶首轮命中率为 0%，原因是固定引物悬垂破坏了 48% 序列的折叠。 第二轮引入夹持侧翼茎结构后命中率升至 26.0%，第三轮多样化后达到 42.1%，特异性为 98.5%。
在蛋白结合剂设计上，智能体与科学家分工协作，科学家定高层策略，智能体负责战术执行。 从头设计需要生成候选骨架、设计序列并重新折叠复合物预测结合，其中重新折叠消耗绝大部分 GPU 算力，且随靶标长度平方增长。 折叠时只截取局部结合口袋，每个循环加速八倍以上且不损失结构精度；同等算力下，人机协作的计算机命中率接近科学家单独工作的两倍，并覆盖更宽的靶标位点范围。
启示与展望
报道覆盖的是 Google Research 公布的三项工作：VERID 实验室工作单元语义数字孪生、以适配体为试验场的闭环智能体分子发现，以及针对 FAP 的智能体引导表位裁剪从头结合剂设计。适配体闭环在肌红蛋白与α-凝血酶两个靶标上各完成三轮设计—测试—迭代；蛋白设计在少数实验轮次内得到单位数纳摩尔的结合剂。下一步是把 VERID 的可追溯自动化与蛋白发现的闭环学习结合起来。
α-凝血酶与肌红蛋白各自需要克服不同的湿实验室失败模式，说明闭环表现依赖具体靶标。肌红蛋白第二轮优先追求原始结合亲和力时富集了 G-四链体基序，靶标特异性从 75.0% 降到 19.1%，经磁珠校正的真实命中率从 10.2% 降到 3.7%，第三轮修正规则后才恢复。蛋白闭环因需生物表达，在计算与湿实验室两侧都形成瓶颈；智能体优化真实靶标结合而非实验捷径、多步流程验证与推理执行轨迹的持续监控仍是待解问题。