Édition Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Google propose une architecture d’agents à trois couches pour les biotechnologies

> Le modèle de référence biotech de Google sépare planification des agents, calcul scientifique sur GPU et contrôle des accès. Le processus combiné reste une proposition sans résultats mesurés.

By BIG CHANGE Editorial

Published: 2026-10-18T17:10:34.892Z
Updated: 2026-10-18T17:10:34.892Z
Canonical: https://bigchange.ai/blog/google-biotech-agent-architecture

![Conceptual charcoal illustration of a researcher examining a ball-and-stick molecular model, with generic compute racks in a separate room behind glass.](https://bigchange.ai/api/media/file/google-biotech-compute-concept-v2.png)
AI-generated conceptual illustration by BIG CHANGE; no actual Google facility, completed biotech workflow, drug candidate or test result is depicted.

Google Cloud a publié une architecture de référence pour les agents biotech qui sépare un agent de planification du calcul scientifique gourmand en GPU et des contrôles entourant les deux. Le [billet de conception du 16 octobre](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) décrit comment une équipe de découverte de médicaments pourrait coordonner le repliement des protéines, la génération de molécules et l’examen des composés têtes de série sur Google Cloud. Il présente un modèle et une pile technique d’exemple, sans déploiement client mesuré, résultat de débit ni candidat médicament validé.

La distinction compte pour les équipes qui évaluent les systèmes d’agents en recherche. Un modèle de langage peut orienter le travail et résumer les résultats, mais une structure protéique ou une trajectoire de docking est trop volumineuse pour être traitée comme un contexte de discussion ordinaire. Le calcul scientifique possède aussi son propre environnement d’exécution, sa file d’attente et ses contrôles d’accès. La proposition de Google place ces éléments derrière des frontières explicites afin que l’équipe puisse les examiner séparément avant de s’appuyer sur le processus combiné.

## Trois couches, avec des rôles différents

La première couche est un orchestrateur principal sur [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime). L’exemple de Google lui attribue deux sous-agents spécialisés, l’un dans l’optimisation des composés têtes de série et l’autre dans le contrôle de sécurité. L’agent principal décompose une demande, répartit le travail et assemble une réponse. Dans cette conception proposée, les relais internes entre agents ont lieu au sein du même processus. Agent Runtime est un environnement de déploiement géré ; Google documente la configuration du projet, Agent Platform SDK for Python, le développement de l’agent et son déploiement avant de pouvoir l’appeler. Un agent conteneurisé doit respecter son [contrat d’exécution](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime).

La deuxième couche exécute les tâches scientifiques coûteuses. L’exemple de Google place les microservices d’inférence ESMFold et GenMol de NVIDIA sur Google Kubernetes Engine, avec des machines virtuelles G4 équipées de GPU RTX PRO 6000 Blackwell. Repliement des protéines et génération de molécules sont des exemples de tâches que demanderait l’orchestrateur, non des calculs réalisés par le modèle de langage généraliste. Le billet recommande de maintenir au moins un nœud GKE actif et de charger les poids du modèle au démarrage des pods pour réduire le délai de démarrage à froid. Un nœud prêt et des poids chargés consomment des ressources ; le billet ne fournit aucune comparaison de latence, d’utilisation ou de coût pour ce choix.

La troisième couche régit l’accès. [Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) attribue à un agent une identité SPIFFE et un certificat X.509 géré, utilisables avec les autorisations IAM et les journaux d’audit. [Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) peut appliquer des règles d’accès sur les chemins entrants et sortants pris en charge. [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) répertorie agents, serveurs MCP, outils et points de terminaison. Google propose aussi une inspection par Model Armor et une approbation humaine pour les étapes lourdes de conséquences. Ces contrôles nécessitent déploiement et configuration des politiques ; leur présence dans un schéma d’architecture ne démontre ni qu’un chemin de données précis est privé, ni que chaque décision est auditée.

## Faire passer les fichiers par le stockage, pas par le prompt

La partie du modèle la plus facile à transposer est son traitement des gros volumes de données scientifiques. Le processus proposé écrit fichiers PDB, poses de docking et journaux de trajectoires dans Cloud Storage. Les agents échangent des références d’objets et de courts résumés, puis récupèrent les données sous-jacentes lorsqu’un outil en a besoin. Cela évite de faire passer des tableaux de coordonnées par la fenêtre de contexte d’un LLM et donne à l’équipe un espace distinct pour contrôler l’accès aux fichiers et leur conservation.

Google décrit des URI signés d’objets dans ce modèle. Une URL signée est en elle-même un justificatif d’accès pour la portée et la durée indiquées ; les équipes doivent donc toujours définir expiration, autorisations et journalisation pour le processus réel. Le billet de conception ne documente ni politique de stockage complète, ni configuration de résidence des données, ni modèle de menace pour une chaîne biotech en production. L’affirmation selon laquelle un conteneur de calcul hébergé de façon privée conserve des structures propriétaires dans le périmètre de l’entreprise dépend de chaque composant qui les reçoit ou les transmet, y compris le stockage, les appels de modèles, les journaux et les points de terminaison sortants.

Le billet recommande également d’encapsuler une longue chaîne de simulations derrière une interface d’outil claire et d’émettre des informations de progression aux étapes terminées. Ces choix de conception doivent être évalués au regard de la véritable file d’attente du backend. Envoyer davantage de demandes en parallèle ne sert à rien si un service scientifique les traite en série en interne. L’article ne propose aucun benchmark montrant un débit déterministe pour la configuration envisagée.

## Où placer la décision humaine

La proposition de Google laisse les agents gérer des préparatifs réversibles, comme chercher une structure ou résoudre un nom chimique, tout en exigeant l’approbation d’une personne pour les actions coûteuses ou lourdes de conséquences. Ses exemples comprennent un calcul de docking sur plusieurs GPU, le passage d’un composé tête de série vers la synthèse en laboratoire humide et l’archivage d’un programme. Une organisation de recherche devrait définir ces points de contrôle, la personne habilitée à approuver et les éléments présentés à chaque étape. Le billet ne rapporte aucun résultat validé de contrôle de sécurité et n’établit pas qu’un modèle puisse émettre des jugements pharmacologiques sans examen expert.

La documentation de gouvernance précise la portée de certaines formulations larges du blog. Gateway prend en charge les flux entrants et sortants avec Agent Runtime, mais uniquement les flux sortants pour Gemini Enterprise. Les destinations non enregistrées restent accessibles lorsqu’une politique IAM explicite cible leur URL ; l’enregistrement n’est donc pas en lui-même un blocage universel des outils inconnus. Les vérifications Model Armor font partie des garde-fous qu’une équipe *peut configurer*. Parmi les limites documentées d’Agent Identity figure l’impossibilité d’accorder aux identités d’agents les anciens rôles de bucket Cloud Storage, et les associations IAM doivent être nettoyées manuellement lorsqu’un agent est supprimé.

Pour la validation, les [quatre enseignements tirés de l’évaluation d’un plugin d’agent](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) publiés séparément par Google Cloud apportent un contexte utile, même si ce plugin est un autre système. L’équipe a constaté que juger uniquement la réponse finale de l’agent faisait manquer des actions visibles dans les journaux d’appels d’outils. Elle recommande de préserver la structure des appels simultanés, de comparer les exécutions réelles à celles limitées à la planification et de conserver des tâches de référence sélectionnées par des experts. Appliqué à la proposition biotech, cela invite à vérifier les écritures réelles dans le stockage, les points de terminaison des modèles, les décisions d’autorisation, le comportement des files d’attente et les approbations humaines. BIG CHANGE n’a ni construit ni testé cette architecture.

Notre précédent article sur [le tri de peptides antimicrobiens avec Google Antigravity](https://bigchange.ai/blog/google-antigravity-antimicrobial-peptide-candidate-triage) concerne une autre tâche d’agent scientifique. Il n’établit pas que l’infrastructure proposée ici a été construite ou validée.

## Accès, coût et état de publication

Une équipe aurait besoin d’un projet Google Cloud, des API pertinentes et de la configuration IAM, d’un déploiement Agent Runtime, de capacité GPU GKE, de stockage et de composants de gouvernance configurés. Disponibilité et limites dépendent des régions choisies, des quotas et de la configuration du produit. La [documentation Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) renvoie aux listes de régions et de quotas et indique qu’un palier gratuit est disponible. La [page de tarification Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) facture le calcul et la mémoire d’exécution et décrit la facturation des flux sortants Gateway ; l’usage des modèles, l’infrastructure GPU et Cloud Storage ajoutent leurs propres coûts. Le [calculateur de prix](https://cloud.google.com/products/calculator) de Google peut aider à estimer une configuration choisie. Un pool de GPU maintenu prêt en permanence doit être inclus dans cette estimation.

Les documents des composants décrivent des services utilisables, mais ne transforment pas le modèle biotech combiné en produit généralement disponible et mesuré. Les compétences indépendantes de Registry sont explicitement marquées Preview, tandis que les pages examinées ici ne donnent pas une seule étiquette de stade de lancement à tous les éléments de la pile proposée. La compatibilité des conteneurs de modèles, contrôles réseau et applications de recherche précis doit être vérifiée pour la région et le déploiement visés. Cet article examine la proposition du 16 octobre à partir de la documentation ; ce n’est ni un guide d’installation ni le récit d’une installation opérationnelle.

## Le grand changement

Google a présenté une manière de diviser un processus d’agents biotech entre planification, calcul scientifique dédié et accès gouverné, en transmettant les grandes structures par référence et en réservant l’approbation humaine aux actions coûteuses ou lourdes de conséquences. Le modèle fournit aux équipes d’infrastructure de recherche des frontières concrètes à évaluer. Vitesse, isolation, fiabilité scientifique et coût d’exploitation restent des questions pour un déploiement configuré et des tests mesurés.

## Sources et lectures complémentaires

- [Google Cloud, « Concevoir l’autonomie »](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) : L’architecture de référence du 16 octobre, ses composants, schémas de charge et points d’approbation proposés.
- [Documentation Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) : Déploiement d’agents géré, prérequis, frameworks pris en charge, liens vers régions et quotas, et accès aux tarifs.
- [Présentation d’Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) : Mécanismes d’identité et d’identifiants d’accès, cycle de vie IAM et une limite de rôle Cloud Storage.
- [Présentation d’Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) : Modèle d’application des règles, modes d’exécution, garde-fous dépendant de la configuration et limites annoncées.
- [Documentation Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) : Types de ressources enregistrées et statut Preview des compétences indépendantes.
- [Tarification Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) : Base de facturation de Runtime et Gateway ; estimer séparément la pile complète.
- [Les quatre enseignements d’évaluation de Google Cloud](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) : Contexte d’un autre plugin d’agent sur la vérification des traces d’exécution et la conception des évaluations.

Sources vérifiées le 18 octobre 2026. BIG CHANGE n’a ni déployé ni soumis à un benchmark le système biotech proposé.

## Sources

- [Architecture d’agents biotech de Google Cloud](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) — Proposition de conception du 16 octobre et description des couches.
- [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) — Processus de déploiement, frameworks pris en charge, contrat, quotas et liens tarifaires.
- [Présentation d’Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) — Identifiants d’accès, cycle de vie IAM, audit et limites.
- [Présentation d’Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) — Modes, politiques, destinations non enregistrées et limites.
- [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) — Catalogue et étiquette Preview des compétences indépendantes.
- [Tarification Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) — Base de facturation de Runtime et Gateway.
- [Calculateur de prix Google Cloud](https://cloud.google.com/products/calculator) — Estimations propres à la configuration.
- [Quatre enseignements d’ingénierie de l’évaluation](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) — Contexte d’un autre plugin, pas une validation du modèle biotech.