Google-Agenten steuern Laborroboter: VERID im Nasslabor
Drei Systeme aus Google Research koppeln digitalen Zwilling und Lernschleife — die Aptamer-Trefferquote stieg in drei Runden von 10,2 auf 33,5 Prozent.
Kurz gesagt
Google Research hat drei Bausteine für autonome Nasslabore beschrieben: VERID als semantischen digitalen Zwilling der Laborzelle, eine agentische Aptamer-Pipeline und einen Workflow namens Epitope Excision für das Design von Protein-Bindern.
Auf einen Blick
- VERID: semantischer digitaler Zwilling der Laborzelle, gebaut auf dem Open-Source-Framework PyLabRobot.
- Myoglobin-Aptamere: Trefferquote 10,2 % (Runde 1), 3,7 % (Runde 2), 33,5 % (Runde 3) bei 72,4 % Spezifität.
- α-Thrombin: Runde 1 ohne Binder, Runde 2 bei 26,0 %, Runde 3 bei 42,1 % Trefferquote und 98,5 % Spezifität.
- Epitope Excision beschleunigte jeden Designzyklus rechnerisch um mehr als das Achtfache; FAP-Binder im einstelligen Nanomolar-Bereich.
- Ein Aptamer-Zyklus dauert 7 bis 10 Tage. Google nennt kein konkretes Modell als Agenten.
Google Research hat drei Systeme beschrieben, die KI-Agenten an die physische Realität eines Labors binden sollen: VERID als digitalen Zwilling der Laborzelle, eine agentische Pipeline für DNA-Aptamere und einen Workflow zur Epitope Excision für Protein-Binder. Der Beitrag vom 16.10.2026 stammt von Pooja Rao, Petar Sirkovic und Annalisa Pawlosky. Alle drei zielen auf denselben Engpass: Modelle entwerfen Experimente schneller, als Hände und Roboter sie ausführen können.
VERID: ein Zwilling als Türsteher vor der Hardware
VERID steht für „VERified Infrastructure for Discovery Laboratories“. Kern ist ein semantischer digitaler Zwilling der Laborzelle — nach Googles Beschreibung ein lebender, zustandsbehafteter 3D-Baum, der Armgeometrie, Füllstände einzelner Wells, Reagenzidentitäten und den Bestand an Pipettenspitzen mitführt. Vier Funktionen nennt das Team: Zustandsverfolgung in 3D, virtuelle Trockenläufe in Sekunden, Prüfungen gegen die Hardware und synchrone Video- und Aktionsprotokolle. Gebaut ist das Ganze auf dem Open-Source-Framework PyLabRobot.
Der Aufwand hat einen nüchternen Grund: Spitzenmodelle schlussfolgern laut Google nicht zuverlässig über dreidimensionale Geometrie und physische Zustände. Ungeprüfter Code geht deshalb nicht an die Roboter — simuliert wird vor jedem Lauf, freigegeben wird von Menschen. Ungültige Kommandos blockiert das System, statt sie an den Greifer durchzulassen.
Aptamere als Sandkasten
Als überschaubares Testfeld wählte das Team DNA-Aptamere, die an die Proteine Myoglobin und α-Thrombin binden sollen. Über drei Design-Test-Zyklen stieg die Myoglobin-Trefferquote von 10,2 % auf 33,5 %, die Spezifität lag am Ende bei 72,4 %. Bei α-Thrombin brachte Runde 1 gar keine Binder, Runde 2 kam auf 26,0 %, Runde 3 auf 42,1 % bei 98,5 % Spezifität. Ein Zyklus dauert 7 bis 10 Tage.
Die lehrreichen Fehlschläge
Interessanter als die Endzahlen sind die Einbrüche dazwischen. In Runde 2 fiel Myoglobin auf 3,7 % Trefferquote und 19,1 % Spezifität, weil 63 % der Entwürfe als klebrige, unspezifische Binder endeten — die Agenten hatten G-Quadruplex-Strukturen überoptimiert. Sie erkannten das Muster selbst, deckelten die auffälligen Motive, zogen Bead-Binder ab und wechselten auf Nicht-G4-Gerüste; die zielgenaue Trefferquote verbesserte sich daraufhin um das Neunfache.
Beim Nullergebnis von α-Thrombin lag die Ursache in festen Primer-Überhängen, die die Faltung bei 48 % der Sequenzen stören. Die Agenten führten in den Folgerunden geklammerte flankierende Stämme ein. Beide Male war der Befund eine Diagnose aus den eigenen Messdaten, kein menschlicher Eingriff — so stellt Google es dar.
Protein-Binder gegen FAP
Der dritte Baustein richtet sich auf Fibroblasten-Aktivierungsprotein alpha (FAP), ein Ziel in der Tumorforschung. Statt ganze Strukturen vorherzusagen, schneidet der Workflow das relevante Epitop heraus und beschleunigt jeden Zyklus rechnerisch um mehr als das Achtfache. Die Zusammenarbeit von Mensch und Agent verdoppelte die In-silico-Trefferquote nahezu gegenüber dem rein menschlichen Vorgehen. Validiert wurde per Yeast Surface Display mit fluoreszenzaktivierter Zellsortierung; die besten Binder erreichten Affinitäten im einstelligen Nanomolar-Bereich.
Sicherheit und offene Punkte
Google beschränkt die Versuche auf gut kontrollierte, nicht infektiöse Systeme ohne Gain-of-Function-Risiko, screent jede entworfene Sequenz biosicherheitstechnisch und verweist auf das eigene Frontier Safety Framework. Als ungelöst nennt das Team: sicherzustellen, dass Agenten echte Zielbindung optimieren und nicht experimentelle Abkürzungen, mehrstufige Protokolle verifizierbar zu machen und Denk- sowie Ausführungsspuren laufend zu überwachen.
Zwei Dinge lassen sich aus dem Beitrag nicht belegen, und wir tragen sie nicht nach: Welches Modell als Agent arbeitet, wird nicht genannt — ein Gemini-Bezug steht dort nicht. Kostenangaben zu den Kampagnen fehlen ebenfalls. Drei begleitende Arbeiten sind angekündigt; diese Einordnung beruht allein auf dem Blogbeitrag, nicht auf den Papers.
Häufige Fragen
Was ist VERID von Google?
VERID ist ein Framework mit einem semantischen digitalen Zwilling der Laborzelle. Es verfolgt den 3D-Zustand live, simuliert Protokolle vor dem Lauf, blockiert ungültige Hardware-Kommandos und protokolliert Video und Aktionen synchron. Basis ist das Open-Source-Framework PyLabRobot.
Wie gut funktioniert das agentische Aptamer-Design?
Über drei Runden stieg die Trefferquote bei Myoglobin von 10,2 % auf 33,5 % (72,4 % Spezifität) und bei α-Thrombin von 0 % über 26,0 % auf 42,1 % (98,5 % Spezifität). Eine Runde dauert 7 bis 10 Tage.
Arbeiten die Laborroboter ohne Menschen?
Nein. Jeder Lauf muss zuerst simuliert werden, und Sequenzen, Protokolle sowie Roboterläufe brauchen eine menschliche Freigabe. Google bezeichnet die Systeme ausdrücklich als Bausteine auf dem Weg zu autonomen Nasslaboren, nicht als fertige autonome Labore.
