Newest papers

Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery

Zachary Cutts, John Coller, Rachel Chen, Hua Tang, Mathias Bellaiche, Ryder Easterlin, Dina Zverinski, Petar Sirkovic, Avinatan Hassidim, Yossi Matias, Pooja Rao, Annalisa Pawlosky · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.24806 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Mặc dù các bước đột phá trong việc khai thác dữ liệu phân tử được điều khiển bởi AI, các đường ống khám phá hiện có hoạt động chủ yếu trong silico, với phản hồi ướt-lab dành cho xác nhận thay vì cải tiến lặp đi lặp lại. Các tác nhân lý luận dựa trên mô hình ngôn ngữ lớn (LLM) có thể tăng tốc độ khám phá de novo bằng cách lặp đi lặp lại với dữ liệu phòng thí nghiệm vẫn chưa được chứng minh. Ở đây chúng tôi sử dụng thiết kế aptamer liên kết protein-micro như một chu kỳ cát (1-2 tuần, $1-$3-$4-$400 mỗi ứng cử viên) để chứng minh một phòng thí nghiệm ướt trong một vòng tròn khép kín với các hệ thống AI. Chúng tôi đã thực hiện nhiệm vụ các đường ống dẫn đại lý với việc phát triển aptamer liên kết chống lại $α$-

Machine translation (Meta M2M100); the English original follows.

Abstract

Despite breakthroughs in AI-driven molecular generation, existing discovery pipelines operate largely in silico, with wet-lab feedback reserved for validation rather than iterative improvement. Whether large language model (LLM)-based reasoning agents can accelerate de novo discovery by iterating with lab data remains unproven. Here we use protein-binding aptamer design as a sandbox (1-2 week cycles, \$1-\$3 per candidate) to demonstrate a wet lab in a closed loop with AI systems. We tasked agentic pipelines with developing aptamer binders against $α$-thrombin and myoglobin across three design-test-improve cycles ($\sim$1,000 candidates per round; $\sim$4,400 constructs). Statistically significant, bead-corrected on-target hit rates among new candidates rose across rounds from 0.0% in Round 1 to 26.0% in Round 2 and 42.1% in Round 3 on $α$-thrombin (37.1% excluding literature motif descendants), and from 10.2% in Round 1 to 3.7% in Round 2 and 33.5% in Round 3 on myoglobin. Single-clone bead-binding titrations of eight full-length $α$-thrombin candidates confirmed concordance with pooled sequencing enrichment (Pearson $r = 0.90$). In these assays, literature-derived motifs engineered by the agents to reduce off-target reactivity in the pooled screen reached apparent affinities of $K_D = 24.6$--$133$ nM, whereas de novo scaffolds showed low-micromolar binding ($K_D > 1\ μ$M). We also report how our pipelines used myoglobin binding data to exploit the G-quadruplex binder space, diagnose cross-reactivity as on-target specificity dropped from 75.0% to 19.1%, and recover by developing strategies that restored specificity to 72.4%. We demonstrate that empirical lab data is more valuable than existing computational proxies, showing how iterative experimental feedback enables AI agents to diagnose assay artifacts and refine molecular designs across rounds.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Aptamer, Sandbox (software development), Computational biology, Computer science, In silico, Binding affinities

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange