Google Research sedang menguji agen AI yang tidak berhenti pada simulasi atau analisis data. Dalam riset yang dipublikasikan pada 16 Oktober 2026, agen dipakai untuk merancang kandidat molekul, menjalankan eksperimen melalui robot laboratorium, membaca hasilnya, lalu mengubah rancangan pada putaran berikutnya.

Proyek ini disebut sebagai kumpulan building blocks untuk autonomous wet labs, bukan laboratorium yang sudah sepenuhnya berjalan tanpa manusia. Google menempatkan peneliti sebagai pengarah strategi dan pengawas eksperimen, sementara agen mengurus sebagian pekerjaan taktis di ruang pencarian biologis yang sangat besar.

Robot perlu memahami keadaan fisik

Salah satu bagian utama riset ini adalah VERID, singkatan dari VERified Infrastructure for Discovery Laboratories. Google mendeskripsikannya sebagai digital twin semantik untuk workcell laboratorium: representasi tiga dimensi yang terus memperbarui keadaan robot, posisi alat, volume cairan di setiap sumur, identitas reagen, dan persediaan tip pipet.

Perbedaan antara kode yang valid dan eksperimen yang masuk akal menjadi penting di sini. Agen bisa menghasilkan kode yang benar secara sintaksis, tetapi tetap memerintahkan tindakan yang tidak mungkin dilakukan secara fisik. Contohnya, pipet delapan kanal diturunkan ke wadah yang terlalu sempit, atau robot mencoba mengambil cairan dari sumur yang sudah kosong. Efek cairan yang tidak dimodelkan juga dapat merusak hasil eksperimen tanpa menghasilkan error perangkat lunak yang jelas.

VERID mencoba menutup celah itu dengan empat kemampuan: memantau keadaan laboratorium secara langsung, menjalankan simulasi cepat sebelum robot menyentuh reagen, memblokir perintah yang melanggar batas perangkat keras, serta merekam video dan log tindakan secara tersinkronisasi. Sistem ini dibangun di atas kerangka open source PyLabRobot.

Dalam salah satu contoh, simulasi menolak aspirasi menggunakan pipet delapan kanal karena bentuk wadah tidak memungkinkan. Agen kemudian menyusun ulang rencana eksperimen. Pada contoh lain, jejak video dan eksekusi membantu menemukan stratifikasi pewarna yang tidak merata akibat posisi dispensing terlalu dekat dengan dasar sumur. Digital twin yang menyimpan keadaan eksperimen juga membantu sistem pulih setelah pembaca pelat mengalami kegagalan, tanpa mengulang pemipetan yang berisiko mengubah kondisi percobaan.

Agen belajar dari putaran basah

Google juga menjalankan eksperimen tertutup untuk merancang aptamer, yaitu sekuens DNA yang dapat mengikat protein target. Dalam alur ini, agen mendesain kandidat, kandidat disintesis dan disaring di laboratorium, kemudian hasil pengurutan dikirim kembali untuk memandu putaran berikutnya. Satu siklus desain, uji, dan analisis dapat berlangsung sekitar tujuh sampai sepuluh hari.

Riset tersebut menguji dua target protein, myoglobin dan alpha-thrombin, selama tiga putaran. Pada alpha-thrombin, putaran pertama tidak menghasilkan binder karena primer tetap mengganggu pelipatan pada sebagian sekuens. Agen kemudian mengubah desain dengan menambahkan struktur batang di sisi sekuens dan meningkatkan diversifikasi. Google melaporkan hit rate terkonfirmasi naik menjadi 26 persen pada putaran kedua dan 42,1 persen pada putaran ketiga, dengan spesifisitas 98,5 persen pada putaran terakhir.

Pada myoglobin, agen sempat terlalu mengejar afinitas mentah dan menghasilkan banyak motif G-quadruplex. Motif itu meningkatkan sinyal pull-down, tetapi banyak yang ternyata menempel secara tidak spesifik pada protein lain dan manik-manik magnetik. Setelah membaca hasil tersebut, agen mengurangi motif yang mudah lengket, mengoreksi binder terhadap manik-manik, dan beralih ke struktur lain. Google melaporkan true hit rate yang dikoreksi terhadap manik-manik pulih menjadi 33,5 persen, sementara spesifisitas mencapai 72,4 persen. Angka ini adalah hasil eksperimen Google, bukan bukti bahwa agen AI secara umum sudah dapat menemukan obat.

Dari aptamer ke protein binder

Bagian lain memakai agen untuk merancang binder protein de novo terhadap fibroblast activation protein alpha, target yang banyak diteliti dalam konteks tumor padat. Protein lebih sulit daripada aptamer karena setiap putaran membutuhkan ekspresi biologis, pelipatan, dan seleksi.

Google menyebut pendekatan mereka memakai excision pada epitope lokal, yaitu memangkas bagian struktur yang tidak diperlukan untuk mempercepat prediksi. Dalam laporan mereka, langkah ini mempercepat prediksi struktur 8,6 kali tanpa kehilangan akurasi struktural. Pada perbandingan dengan jumlah komputasi yang sama, kolaborasi manusia dan agen hampir menggandakan hit rate in-silico dibandingkan ilmuwan yang bekerja sendiri. Eksperimen basah berikutnya menghasilkan binder dengan afinitas satu digit nanomolar. Hasil itu tetap merupakan hasil riset pada target tertentu, bukan jaminan performa untuk target biologis lain.

Otonomi tetap dibatasi

Google menyatakan sistem ini sengaja diuji pada sistem biologis yang terkendali dan tidak menular, tanpa risiko gain-of-function. Setiap sekuens melewati penyaringan biosekuriti. Agen juga tidak boleh mengirim kode yang belum diverifikasi langsung ke robot: protokol harus disimulasikan dan divalidasi terhadap digital twin lebih dulu. Manusia tetap mengesahkan sekuens, meninjau protokol, dan mengawasi jalannya robot.

Batas tersebut bukan detail tambahan. Agen yang mampu mengubah desain berdasarkan hasil eksperimen memang dapat mempercepat pencarian, tetapi ia juga dapat mengoptimalkan sinyal yang salah, memanfaatkan artefak pengukuran, atau menghasilkan protokol yang terlihat masuk akal namun tidak aman. Karena itu, nilai utama VERID dan eksperimen loop tertutup ini bukan klaim bahwa laboratorium telah digantikan AI. Nilainya ada pada jejak eksperimen yang lebih lengkap, simulasi sebelum eksekusi, dan kemampuan menghubungkan keputusan komputasional dengan bukti fisik.

Google menyebut langkah berikutnya adalah menggabungkan otomatisasi robotik VERID dengan pembelajaran loop tertutup untuk penemuan protein. Jika arah ini berhasil, agen dapat mengambil lebih banyak pekerjaan rutin dalam siklus desain-uji, sementara manusia tetap menentukan tujuan ilmiah, batas keselamatan, dan cara membaca hasil. Untuk saat ini, riset tersebut lebih tepat dibaca sebagai infrastruktur awal bagi laboratorium yang dibantu agen, bukan mesin penemu obat yang bekerja sendiri.