Une IA peut proposer une expérience convaincante et se tromper dès qu’une pipette touche le réel. Le 16 octobre 2026, Google Research a présenté trois travaux pour réduire cet écart : une infrastructure robotique appelée VERID, une campagne de découverte d’aptamères et une méthode de conception de protéines. Leur point commun : confronter les décisions des agents IA à des mesures physiques.
L’enjeu dépasse la production d’hypothèses. Pour être utile au laboratoire, un système doit aussi reconnaître une manipulation ratée, interpréter un résultat ambigu et décider de l’expérience suivante. Ces travaux donnent des exemples de cette progression, avec des périmètres bien délimités.
VERID donne aux agents IA une mémoire du laboratoire
Le rapport consacré à VERID, daté du 16 octobre, décrit un « jumeau numérique » : une représentation persistante des instruments, des récipients, des volumes et de leur état. L’agent peut consulter cette représentation avant d’agir.
Du code correct à une manipulation possible
Une commande informatique valide peut viser un récipient vide ou demander un mouvement incompatible avec sa géométrie. VERID simule les instructions avant leur exécution et conserve un historique reliant actions, images et mesures. Il s’appuie sur le logiciel PyLabRobot.
Les démonstrations portent sur de l’eau et des colorants. Dans un premier cas, une dilution incorrecte a été diagnostiquée avec l’aide d’un opérateur humain à partir des vidéos. Dans un autre épisode, l’état conservé a permis de reprendre après une panne du lecteur sans refaire le pipetage.
Le résultat concerne donc la fiabilité des opérations de base. Il ne prouve pas encore qu’un agent sait conduire seul une recherche biologique complexe. Cette distinction est essentielle pour évaluer ce que VERID apporte réellement.
Des molécules qui obligent l’IA à réviser ses idées
Le rapport sur les aptamères, daté du 12 octobre, examine une autre difficulté : apprendre des résultats expérimentaux. Un aptamère est ici un court fragment d’ADN capable de se fixer à une protéine.
Sur trois cycles de conception et d’essais, les auteurs rapportent une progression du taux de candidats positifs corrigé du bruit lié aux billes de mesure : de 0 % à 42,1 % pour l’alpha-thrombine. Pour la myoglobine, la trajectoire est moins régulière : 10,2 %, puis 3,7 %, puis 33,5 %. Ces groupes incluent aussi des candidats issus de motifs déjà décrits dans la littérature.
Une bonne mesure peut cacher une mauvaise piste
Le recul intermédiaire sur la myoglobine est instructif. Les agents avaient favorisé des structures qui adhéraient trop facilement à d’autres protéines ou aux supports de l’essai. Un signal apparemment intéressant masquait donc un manque de spécificité.
Les résultats suivants ont conduit à réviser les choix. Mais les auteurs demandent encore des comparaisons à budget égal, notamment sans retour expérimental, pour isoler l’apport propre du raisonnement des agents. La faisabilité de la boucle est mieux établie que sa supériorité générale.
Concevoir des protéines en calculant sur une zone plus petite
Le troisième rapport, daté du 14 octobre, porte sur des protéines conçues pour se fixer à une cible. L’idée consiste à concentrer certains calculs sur la région de contact plutôt que sur toute la structure de la protéine visée.
Les chercheurs ont étudié cette approche sur 15 cibles. Dans leur campagne consacrée à FAP, une protéine liée à l’environnement tumoral, la réduction du problème a diminué de 88 % les heures GPU. Ce chiffre décrit ce périmètre informatique précis ; il ne signifie pas que toute découverte de médicament devient 88 % moins coûteuse.
À budget de calcul fixé, une stratégie où l’humain oriente l’agent a fait passer le taux de succès informatique de 5,06 % à 9,33 %. Ce score repose sur des critères prédictifs, distincts d’une validation expérimentale.
Quatre clones sélectionnés ont ensuite montré des affinités apparentes de 3,0 à 9,1 nanomolaires dans l’essai présenté. Cela caractérise leur liaison à la cible. Des validations fonctionnelles restent nécessaires, et ces résultats ne démontrent ni efficacité thérapeutique ni bénéfice chez des patients.
Trois briques complémentaires, une intégration encore à construire
Dans son annonce du 16 octobre, Google présente le rapprochement de ces volets comme une prochaine étape. Il serait donc prématuré d’y voir une chaîne unique où VERID aurait déjà mené toute la découverte moléculaire.
L’entreprise décrit également une supervision humaine : autorisation des séquences, vérification des protocoles et surveillance des exécutions. Les systèmes biologiques choisis sont présentés comme non infectieux et les séquences conçues font l’objet d’un contrôle de biosécurité.
Le coût utile sera celui du résultat reproductible
Pour un laboratoire qui envisagerait ce type d’équipement, le bon indicateur serait le coût d’une information exploitable. Une proposition supplémentaire a peu de valeur si elle mobilise des réactifs sans permettre de départager deux hypothèses. Inversement, documenter précisément un échec peut éviter de poursuivre une piste trompeuse.
Il faudrait donc comparer les campagnes dans leur ensemble : temps des chercheurs, consommables, maintenance, calcul et possibilité de reproduire les résultats dans un autre site. Les chiffres publiés ne permettent pas encore d’établir ce bilan économique complet.
La prochaine preuve devra résister au changement de laboratoire
Ces travaux invitent à déplacer le regard : la performance d’un agent scientifique devrait se juger aussi à la qualité des erreurs qu’il sait détecter. Un système capable d’expliquer pourquoi une mesure est douteuse serait souvent plus utile qu’un générateur de candidats très prolifique.
La suite se jouera sur la généralisation. Retrouver les gains avec d’autres instruments, d’autres cibles et des équipes extérieures donnerait davantage de poids à la promesse. Pour les lecteurs comme pour les décideurs, le repère reste simple : suivre séparément la qualité des prédictions, la validation physique et la part de travail humain nécessaire.
Références
- Google Research — présentation des trois projets, 16 octobre 2026.
- Delley et al. — Semantic Representation for Agentic Self-Play in Automated Laboratories, rapport du 16 octobre 2026.
- Cutts et al. — Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery, rapport du 12 octobre 2026.
- Kim et al. — Agent-guided epitope excision enables economical de novo binder design, rapport du 14 octobre 2026.
