2026 年 10 月 16 日，Google Research 把三项研究放进了同一幅图景：设计分子、读取实验反馈、操作实验机器人。但官方也明确，连接这些工作的下一步，才是把机器人自动化与蛋白发现闭环整合起来。会提建议的智能体，开始面对能否把实验做对的问题。

Google 正在补齐自主实验室的关键构件，但还没有交付一个通用、全流程无人值守的生物实验室。沿着三份公开研究往下看，更值得关注的进展是：让智能体提出的方案，持续接受实验结果和物理约束的检验。

Google 提出的实验反馈闭环愿景，三项工作的完整整合仍属下一步（图源：Google Research 官方博客，动画静帧）

先让实验告诉智能体：你优化错了

适配体可以想成一根折出特定形状的“分子细绳”，靠形状和相互作用抓住目标。团队选用 DNA 适配体作为闭环试验场，但计算机里看起来合适的结构，未必能在真实筛选中表现良好。DNA 可以批量化学合成，也方便通过测序读取筛选结果。

研究完成了三轮设计、测试和改进，每轮实验周转约 10 天。智能体负责设计与数据分析，但湿实验、测序及读段映射由人类研究者执行。随后，计数矩阵与样本信息返回智能体，支持下一轮判断；人工没有预先替它写好富集分析结论或失败假说。

适配体候选经历设计、合成、筛选和测序，再将实验读数交回智能体（图源：Google Research 官方博客）

问题很快出现在肌红蛋白上。智能体追逐更强的筛选信号，增加了一类像“叠层平台”的 DNA 结构——G-四链体。但许多候选表现出非特异性黏附，也会结合其他蛋白或实验磁珠，漂亮的读数藏着错误方向。

扣除磁珠背景并结合反筛后，肌红蛋白新设计候选的命中率从首轮 10.2%（20/196）跌至第二轮 3.7%（9/244）。但在另一套反筛基准中，靶标特异性也从 75.0% 降至 19.1%：信号变强，目标识别反而变差。后一个比例关心的是结合物是否只认预定目标。

两靶标三轮结果：橙线为反筛基准中的靶标特异性，绿线为新设计候选的命中率；两者分母不同（图源：Google Research 官方博客）

第三轮，智能体根据读数限制容易乱黏的结构，转向更多发夹与假结等候选。肌红蛋白命中率升至 33.5%（184/549），特异性恢复至 72.4%。但相较结果上升，更有意义的是系统能根据反证修改搜索规则。

反馈的价值，在于暴露智能体正在优化一个错误的目标。但这仍是一项闭环可行性研究：团队尚未用预算匹配的无反馈对照，单独拆出智能体推理的贡献，也不能据此宣布它胜过所有传统优化方法。

三轮结构家族配置变化与第三轮家族命中率，展示从 G4 偏好转向更多结构探索（图源：Google Research 适配体研究）

42.1% 的命中率，究竟说明什么

凝血酶遇到的障碍不同：为了扩增而加上的固定序列，会干扰候选折叠。修正侧翼结构后，第三轮新设计候选命中率达到 42.1%（131/311）。但其中包含已知基序的改造；剔除这类候选后，严格从头设计的命中率为 37.1%。实验所需的附加序列，本身也会改变分子行为。

这些命中率依据混池筛选与测序判定，但不能直接读作每条分子都拥有高亲和力。单克隆验证只覆盖八条凝血酶候选，六条出现浓度依赖结合；纳摩尔组来自已知基序改造，拟合因未达到完整饱和平台而仍属初步估计。

凝血酶候选的单克隆验证：纳摩尔组来自已知基序改造，亲和力拟合仍为初步估计（图源：Google Research 适配体研究）

裁掉大靶标，谁来决定往哪找

蛋白结合物设计更昂贵：候选要经历结构生成、序列设计与复合物重折叠，之后还需表达和验证。但团队发现，不必每次都把整个大靶标交给结构模型。针对拥有 719 个残基胞外域的成纤维细胞活化蛋白 α（FAP），可以先保留局部结合区域。

这像研究锁孔时，只带走锁芯及必要外壳。团队采用的“表位裁剪”在 FAP 流程中保留约 85–130 个靶标残基。特定计算条件下，单次重折叠用时由 59.3 秒降至 6.9 秒，约加速 8.6 倍；但这并非整个发现周期快了 8.6 倍。裁剪仍需保留足够上下文，也不能假定对所有靶标同样有效。

表位裁剪保留局部相互作用区域；8.6 倍对应特定条件下的单次结构重折叠加速（图源：Google Research 官方博客）

在统一的 132.87 GPU 小时预算上限与计算命中标准下，科学家单独工作得到 5.06% 的命中率，人机协作达到 9.33%。但协作组实际只消耗 77.18 GPU 小时，提示收益也来自更有效的搜索与资源分配。科学家指定目标区域，智能体调整裁剪范围、参数和迭代决策。

纯智能体组的计算命中率为 6.18%，低于协作组，但探索出的有命中表位更多：13 个，对比协作组的 7 个。在这项 FAP 测试里，自主程度更高，并不自动意味着搜索效率更高。人给方向、智能体管战术，取得了更好的计算产出。这仍是单一靶标和一类蛋白骨架上的对照。

统一预算上限与计算命中标准下，人机协作、科学家单独和纯智能体的结果；各组实际耗时不同（图源：Google Research 官方博客）

实验端，团队将候选带入包含 5,000 个设计构建体的酵母展示文库，经三轮分选后检测代表性克隆。四个富集克隆的表观解离常数为 3.0–9.1 nM，但这一结果来自酵母表面展示条件，不能直接等同于游离蛋白的药物表现。

结合验证给出了真实实验支撑，但仍没有证明这些分子能抑制 FAP，更谈不上抗肿瘤疗效。研究把可溶表达后的结合表征、结构域特异性与酶活抑制列为后续工作；计算命中率的领先，也不能直接变成湿实验优胜结论。

四个代表性富集克隆的酵母表面展示滴定，表观解离常数为 3.0–9.1 nM（图源：Google Research 蛋白结合物研究）

代码能运行，移液枪却放不进去

如果说前两项工作决定“试什么”，VERID 要处理“怎样可靠地试”。它像一张持续更新的实验台地图，但还记录每个孔的液量、试剂身份和吸头库存。这套建立在 PyLabRobot 之上的语义数字孪生，让智能体先查询状态，再模拟执行。它保存的是可供程序查询的结构化状态，而不只是一幅三维画面。

一个细节足以说明差别：八通道吸头跨度至少 72.0 毫米，目标槽长度只有 71.2 毫米。代码可能语法正确，但几何上根本放不进去。模拟关卡拦截了动作，智能体随后调整方案，避免直接让硬件试错。

VERID 以数字孪生衔接状态查询、模拟验证、受限执行与同步实验档案（图源：Google Research VERID 研究；架构示意）

记录执行过程同样重要。染料稀释实验曾偏离目标，人类操作员结合视频定位到液体分层与吸头贴底等问题，再由智能体修改方案。修正后逐级稀释因子达到 1.92–1.99 倍，接近目标 2.00 倍；但这次诊断包含明确的人类贡献。

VERID 的模拟器主要承担离散状态与资源记账，但没有预先解决所有真实流体效应。所以系统还需要视频、执行轨迹和测量反馈来定位偏差。其三项案例都采用染料与水，验证了操作基础，尚不能替代复杂生物实验的可靠性验证。

在人类参与故障诊断后，修正移液操作使染料逐级稀释更接近目标 2.00 倍（图源：Google Research VERID 研究）

最后一段连接线，仍然没有画实

在染料盲测中，智能体把一次挑战学到的通用经验带到下一次挑战，最终平均损失由约 307 降至 58，越低代表估计越准。但这是跨挑战的物理测量任务，不能换算成生物发现效率提升五倍，更不能外推为药物研发效率。

Google 明确把三条线的整合列为下一步，同时保留序列审核、实验协议核验与机器人运行监督。构件已经出现，但完整闭环的有效性仍需下一轮实验回答。人的角色也没有从闭环中消失。当候选更难表达、实验更慢、读数更模糊时，这套系统还能可靠地发现自己错在哪里吗？染料盲测的跨轮经验传递与误差变化；这是物理执行测试，不能外推为生物发现效率（图源：Google Research VERID 研究）