En 30 segundos
VERID sigue geometría, reactivos y volúmenes antes de ejecutar instrucciones. El trabajo incluye prototipos de diseño molecular con retroalimentación experimental.
Qué ha pasado
Google Research ha presentado VERID y otros proyectos para conectar agentes con experimentos biológicos. VERID mantiene un gemelo digital del laboratorio que representa equipos, geometría, líquidos y material disponible para comprobar si una instrucción puede ejecutarse de forma segura.
Por qué importa
Una orden puede tener sintaxis correcta y aun así mover un brazo contra un obstáculo o transferir más líquido del disponible. El trabajo intenta reducir esa distancia entre razonamiento del modelo y condiciones físicas antes de actuar.
A quién afecta
Investigadores de biología, automatización de laboratorio y agentes científicos.
Ciclos de diseño y medida
La publicación también describe prototipos para aptámeros y diseño de proteínas que incorporan resultados de laboratorio al siguiente ciclo de propuestas. Los investigadores mantienen la dirección científica. Las afinidades moleculares obtenidas no equivalen a tratamientos clínicos demostrados.
Construcción de infraestructura experimental
El artículo del 16 de octubre presenta avances de investigación y limitaciones de la automatización física. No anuncia laboratorios sin supervisión humana. IARADIA no ha ejecutado agentes, movido robots ni reproducido los resultados; atribuye las mediciones al equipo.
Contexto: el problema de pasar del código al robot
Google Research pone ejemplos concretos de órdenes correctas en el código pero imposibles en la realidad: bajar una pipeta de ocho canales en una cubeta demasiado estrecha o aspirar de un pocillo vacío. VERID se construye sobre el marco de código abierto PyLabRobot y ofrece cuatro capacidades: seguimiento en 3D del estado del laboratorio, simulaciones de prueba en segundos, bloqueo de órdenes inválidas antes de que lleguen al robot y registros sincronizados de vídeo y acciones.
Qué resultados describe
En un ciclo cerrado con aptámeros de ADN, el equipo indica que los agentes aumentaron la tasa de aciertos confirmados hasta el 33,5 % para la mioglobina y el 42,1 % para la α-trombina en tres rondas. En la mioglobina, los agentes detectaron que muchas secuencias se pegaban de forma inespecífica y corrigieron sus reglas de diseño. Con la proteína FAP, presente en tumores sólidos, obtuvieron aglutinantes con afinidad nanomolar de un dígito en pocas rondas experimentales.
Para quién importa y alternativas
Interesa a laboratorios que automatizan la manipulación de líquidos y a equipos que exploran agentes científicos. En el mismo periodo, OpenAI describió con PerturbAI y Scripps Research el uso de miles de agentes para buscar pistas en datos de millones de células, sin ejecutar experimentos físicos. La diferencia es relevante: VERID cierra el ciclo con mediciones de laboratorio reales.
Límites y dudas
Los resultados proceden de los autores y de unas pocas dianas. Una afinidad alta en laboratorio no equivale a un fármaco ni a un tratamiento. Google insiste en que la dirección científica sigue siendo humana.
Fuentes y procedencia
- Grounding AI agents in biological reality: Building blocks for autonomous wet labs · Google · Publicado 16/10/2026
- Using thousands of AI agents to uncover new leads in biological data · OpenAI · Publicado 21/10/2026