O Google Cloud publicou uma arquitetura de referência para agentes de biotecnologia que separa um agente de planejamento da computação científica intensiva em GPU e dos controles em torno dos dois. O artigo de projeto de 16 de outubro descreve como uma equipe de descoberta de fármacos poderia coordenar dobramento de proteínas, geração de moléculas e revisão de compostos-líderes no Google Cloud. Ele apresenta um padrão e uma pilha de exemplo, sem uma implantação de cliente medida, um resultado de taxa de processamento ou um candidato a medicamento validado.

A distinção importa para equipes que avaliam sistemas de agentes na pesquisa. Um modelo de linguagem pode encaminhar trabalho e resumir resultados, mas uma estrutura proteica ou trajetória de docking é grande demais para ser tratada como contexto comum de conversa. A computação científica também tem seu próprio ambiente de execução, fila e controles de acesso. A proposta do Google estabelece limites explícitos entre essas partes para que uma equipe possa examinar cada uma antes de depender do fluxo combinado.

Três camadas, com funções diferentes

A primeira camada é um orquestrador principal no Agent Runtime. O exemplo do Google atribui a ele dois subagentes especializados, um para otimização de compostos-líderes e outro para triagem de segurança. O agente principal decompõe uma solicitação, encaminha o trabalho e reúne uma resposta. Nesse projeto proposto, as transferências internas entre agentes acontecem no mesmo processo. O Agent Runtime é um ambiente gerenciado de implantação; o Google documenta configuração do projeto, Agent Platform SDK for Python, desenvolvimento do agente e implantação antes que ele possa ser chamado. Um agente em contêiner precisa atender ao seu contrato de execução.

A segunda camada executa os trabalhos científicos caros. O exemplo do Google coloca os microsserviços de inferência ESMFold e GenMol da NVIDIA no Google Kubernetes Engine, usando máquinas virtuais G4 com GPUs RTX PRO 6000 Blackwell. Dobrar proteínas e gerar moléculas são exemplos de trabalhos que o orquestrador solicitaria, não de cálculos feitos pelo modelo de linguagem de uso geral. O artigo recomenda manter pelo menos um nó GKE ativo e carregar os pesos do modelo quando os pods iniciam para reduzir o atraso da inicialização a frio. Um nó preparado e pesos carregados consomem recursos; o artigo não oferece comparação de latência, utilização ou custo dessa escolha.

A terceira camada governa o acesso. Agent Identity atribui ao agente uma identidade SPIFFE e um certificado X.509 gerenciado, que podem ser usados com permissões IAM e logs de auditoria. Agent Gateway pode aplicar regras de acesso em caminhos de entrada e saída compatíveis. Agent Registry cataloga agentes, servidores MCP, ferramentas e endpoints. O Google também propõe inspeção com Model Armor e aprovação humana para etapas com consequências importantes. Esses controles exigem implantação e configuração de políticas; sua presença em um diagrama de arquitetura não demonstra que determinado caminho de dados é privado ou que toda decisão é auditada.

Transfira arquivos pelo armazenamento, não pelo prompt

A parte mais transferível do projeto é seu tratamento de grandes volumes de dados científicos. O fluxo proposto grava arquivos PDB, poses de docking e logs de trajetórias no Cloud Storage. Os agentes trocam referências de objetos e resumos curtos, depois recuperam os dados subjacentes quando uma ferramenta precisa deles. Isso evita empurrar matrizes de coordenadas pela janela de contexto de um LLM e dá à equipe um lugar separado para controlar o acesso aos arquivos e sua retenção.

O Google descreve URI assinados de objetos nesse padrão. Um URL assinado é, por si só, uma credencial de acesso para o escopo e o prazo de validade declarados, portanto as equipes ainda precisam definir expiração, permissões e logs para o fluxo real. O artigo não documenta uma política completa de armazenamento, configuração de residência dos dados ou modelo de ameaças para um pipeline de biotecnologia em produção. A afirmação de que um contêiner de computação hospedado de forma privada mantém estruturas proprietárias dentro do perímetro da empresa depende de cada componente que recebe ou encaminha essas estruturas, incluindo armazenamento, chamadas de modelos, logs e endpoints de saída.

O artigo também recomenda encapsular uma longa cadeia de simulações em uma interface de ferramenta clara e emitir informações de progresso nas etapas concluídas. São escolhas de projeto a avaliar em relação à fila real do backend. Enviar mais solicitações em paralelo não ajuda quando um serviço científico as processa em sequência internamente. O artigo não apresenta um benchmark que demonstre uma taxa de processamento determinística na configuração proposta.

Onde colocar a decisão humana

A proposta do Google permite que os agentes cuidem de preparativos reversíveis, como buscar uma estrutura ou resolver um nome químico, mas exige que uma pessoa aprove ações caras ou de consequências importantes. Os exemplos incluem uma execução de docking com várias GPUs, avançar um composto-líder para síntese em laboratório úmido e arquivar um programa. Uma organização de pesquisa precisaria definir esses pontos de aprovação, o aprovador e as evidências mostradas em cada ponto. O artigo não relata um resultado validado de triagem de segurança nem estabelece que um modelo pode emitir julgamentos farmacológicos sem revisão de especialistas.

A documentação de governança delimita parte da linguagem abrangente do blog. O Gateway dá suporte a entrada e saída com o Agent Runtime, enquanto seu suporte ao Gemini Enterprise é apenas de saída. Destinos não registrados ainda podem ser acessados quando uma política IAM explícita aponta para seu URL; portanto, o registro em si não é um bloqueio universal de ferramentas desconhecidas. As verificações do Model Armor estão entre as proteções que uma equipe pode configurar. As limitações documentadas do Agent Identity incluem a impossibilidade de conceder papéis legados de buckets do Cloud Storage a identidades de agentes, e as vinculações IAM precisam ser limpas manualmente quando um agente é excluído.

Para validação, as quatro lições de avaliação de um plugin de agentes publicadas separadamente pelo Google Cloud oferecem contexto útil, embora aquele plugin seja outro sistema. A equipe constatou que julgar apenas a resposta final do agente deixava passar ações visíveis nos logs de chamadas de ferramentas. Ela recomenda preservar a estrutura de chamadas simultâneas, comparar execuções reais com execuções apenas de planejamento e manter tarefas de referência selecionadas por especialistas. Aplicado à proposta de biotecnologia, isso aponta para verificar as gravações reais no armazenamento, os endpoints de modelos, as decisões de permissão, o comportamento das filas e as aprovações humanas. A BIG CHANGE não construiu nem testou essa arquitetura.

Nossa reportagem anterior sobre a triagem de peptídeos antimicrobianos com Google Antigravity trata de outra tarefa de agentes científicos. Ela não demonstra que a infraestrutura proposta aqui foi construída ou validada.

Acesso, custo e status de lançamento

Uma equipe precisaria de um projeto Google Cloud, das APIs relevantes e da configuração IAM, de uma implantação do Agent Runtime, de capacidade GPU no GKE, de armazenamento e de componentes de governança configurados. Disponibilidade e limites dependem das regiões escolhidas, cotas e configuração do produto. A documentação do Agent Runtime aponta para listas de regiões e cotas e informa que existe um nível gratuito. A página de preços do Agent Platform cobra computação e memória de execução e descreve a cobrança de saída do Gateway; uso de modelos, infraestrutura GPU e Cloud Storage acrescentam seus próprios custos. A calculadora de preços do Google pode ajudar a estimar uma configuração escolhida. Um conjunto de GPUs continuamente preparado deve ser incluído nessa estimativa.

Os documentos dos componentes descrevem serviços utilizáveis, mas não transformam o padrão combinado de biotecnologia em um produto de disponibilidade geral com resultados medidos. As habilidades independentes do Registry estão explicitamente marcadas como Preview, enquanto as páginas consultadas aqui não dão uma única classificação de estágio de lançamento para todos os elementos da pilha proposta. A compatibilidade dos contêineres de modelos, controles de rede e aplicativos de pesquisa específicos precisa ser verificada para a região e implantação pretendidas. Este artigo examina a proposta de 16 de outubro com base na documentação; não é um guia de configuração nem o relato de uma instalação funcionando.

A grande mudança

O Google apresentou uma forma de dividir um fluxo de agentes de biotecnologia em planejamento, computação científica dedicada e acesso governado, com grandes estruturas passadas por referência e aprovação humana reservada para ações caras ou de consequências importantes. O projeto oferece às equipes de infraestrutura de pesquisa um conjunto concreto de limites para avaliar. Velocidade, isolamento, confiabilidade científica e custo operacional continuam sendo questões para uma implantação configurada e testes com medições.

Fontes e leituras adicionais

Fontes consultadas em 18 de outubro de 2026. A BIG CHANGE não implantou nem executou um benchmark do sistema de biotecnologia proposto.