Edição Markdown

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

# Google propõe uma pilha de agentes com três camadas para biotecnologia

> O desenho de referência da Google para biotecnologia separa o planeamento dos agentes, o cálculo científico em GPU e os controlos de acesso. O fluxo combinado continua a ser uma proposta sem resultados medidos.

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.

A Google Cloud publicou uma arquitetura de referência para agentes de biotecnologia que separa um agente de planeamento do cálculo científico intensivo em GPU e dos controlos em torno de ambos. O [artigo de conceção de 16 de outubro](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) descreve como uma equipa de descoberta de fármacos poderia coordenar a dobragem de proteínas, a geração de moléculas e a análise de compostos-líder na Google Cloud. Apresenta um padrão e uma pilha de exemplo, sem uma implementação de cliente medida, resultados de débito de processamento ou um candidato a fármaco validado.

A distinção é importante para equipas que avaliam sistemas de agentes na investigação. Um modelo de linguagem pode encaminhar trabalho e resumir resultados, mas uma estrutura proteica ou uma trajetória de docking é demasiado grande para ser tratada como contexto normal de conversa. O cálculo científico também tem o seu próprio ambiente de execução, fila e controlos de acesso. A proposta da Google coloca estas partes atrás de fronteiras explícitas, para que a equipa possa examinar cada uma antes de confiar no fluxo combinado.

## Três camadas, com funções diferentes

A primeira camada é um orquestrador principal no [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime). O exemplo da Google atribui-lhe dois subagentes especializados: um para otimização de compostos-líder e outro para avaliação de segurança. O agente principal decompõe um pedido, encaminha o trabalho e reúne a resposta. Neste desenho proposto, as passagens internas entre agentes ocorrem no mesmo processo. O Agent Runtime é um ambiente de implementação gerido; a Google documenta a configuração do projeto, o Agent Platform SDK for Python, o desenvolvimento do agente e a implementação antes de o agente poder ser chamado. Um agente em contentor tem de cumprir o seu [contrato de execução](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime).

A segunda camada executa os trabalhos científicos dispendiosos. O exemplo da Google coloca os microsserviços de inferência ESMFold e GenMol da NVIDIA no Google Kubernetes Engine, usando máquinas virtuais G4 com GPU RTX PRO 6000 Blackwell. A dobragem de proteínas e a geração de moléculas são exemplos de trabalhos que o orquestrador pediria, não de cálculos efetuados 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 arrancam, para reduzir o atraso de arranque a frio. Um nó preparado e pesos carregados consomem recursos; o artigo não fornece uma comparação de latência, utilização ou custo dessa opção.

A terceira camada regula o acesso. [Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) atribui a um agente uma identidade SPIFFE e um certificado X.509 gerido, que podem ser usados com permissões IAM e registos de auditoria. [Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) pode aplicar regras de acesso em percursos de entrada e saída suportados. [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) cataloga agentes, servidores MCP, ferramentas e endpoints. A Google também propõe inspeção com Model Armor e aprovação humana para etapas com consequências importantes. Estes controlos exigem implementação e configuração de políticas; a sua presença num desenho de arquitetura não demonstra que um percurso de dados específico seja privado ou que todas as decisões sejam auditadas.

## Transferir ficheiros pelo armazenamento, não pelo prompt

A parte do desenho mais fácil de transferir para outros contextos é o tratamento de grandes volumes de dados científicos. O fluxo proposto escreve ficheiros PDB, poses de docking e registos de trajetórias no Cloud Storage. Os agentes trocam referências de objetos e pequenos resumos, recuperando os dados subjacentes quando uma ferramenta deles precisa. Isto evita passar matrizes de coordenadas pela janela de contexto de um LLM e dá à equipa um local separado para controlar o acesso aos ficheiros e a sua retenção.

A Google descreve URI assinados de objetos neste padrão. Um URL assinado é, por si só, uma credencial de acesso para o âmbito e prazo de validade indicados. Por isso, as equipas continuam a ter de definir expiração, permissões e registos para o fluxo real. O artigo não documenta uma política completa de armazenamento, uma configuração de residência de dados ou um modelo de ameaças para uma cadeia de biotecnologia em produção. A afirmação de que um contentor de cálculo alojado de forma privada mantém estruturas proprietárias dentro do perímetro empresarial depende de todos os componentes que recebem ou encaminham essas estruturas, incluindo armazenamento, chamadas a modelos, registos e endpoints de saída.

O artigo também recomenda encapsular uma longa cadeia de simulação numa interface de ferramenta clara e comunicar o progresso nas etapas concluídas. São opções de desenho a avaliar face à fila real do backend. Enviar mais pedidos em paralelo não ajuda quando um serviço científico os processa sequencialmente no seu interior. O artigo não apresenta um benchmark que demonstre um débito de processamento determinístico na configuração proposta.

## Onde colocar a decisão humana

A proposta da Google permite que os agentes tratem de preparativos reversíveis, como procurar uma estrutura ou resolver um nome químico, exigindo que uma pessoa aprove ações dispendiosas ou com consequências importantes. Os exemplos incluem uma execução de docking com várias GPU, fazer avançar um composto-líder para síntese em laboratório húmido e arquivar um programa. Uma organização de investigação teria de definir esses pontos de aprovação, o responsável por aprovar e as provas apresentadas em cada ponto. O artigo não relata um resultado validado de avaliação de segurança nem demonstra que um modelo possa fazer juízos farmacológicos sem revisão especializada.

A documentação de governação restringe parte da linguagem abrangente do blogue. O Gateway suporta entrada e saída com o Agent Runtime, mas o seu suporte para Gemini Enterprise limita-se à saída. Os destinos não registados continuam a poder ser contactados quando uma política IAM explícita visa o respetivo URL; o registo não é, portanto, um bloqueio universal de ferramentas desconhecidas. As verificações de Model Armor estão entre as salvaguardas que uma equipa *pode configurar*. As limitações documentadas do Agent Identity incluem não poder atribuir funções legadas de buckets do Cloud Storage às identidades dos agentes, e as associações IAM têm de ser limpas manualmente quando um agente é eliminado.

Para validação, as [quatro lições de avaliação de um plugin de agentes](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) publicadas separadamente pela Google Cloud fornecem contexto útil, embora esse plugin seja outro sistema. A equipa concluiu que avaliar apenas a resposta final do agente deixava escapar ações visíveis nos registos de chamadas a ferramentas. Recomenda preservar a estrutura das chamadas concorrentes, comparar execuções reais com execuções apenas de planeamento e manter tarefas de referência selecionadas por especialistas. Aplicado à proposta de biotecnologia, isto aponta para verificar as escritas reais no armazenamento, os endpoints de modelos, as decisões de permissões, o comportamento das filas e as aprovações humanas. A BIG CHANGE não construiu nem testou esta arquitetura.

O nosso relato anterior sobre [a triagem de péptidos antimicrobianos com Google Antigravity](https://bigchange.ai/blog/google-antigravity-antimicrobial-peptide-candidate-triage) aborda outra tarefa de agentes científicos. Não demonstra que a infraestrutura aqui proposta tenha sido construída ou validada.

## Acesso, custo e estado de lançamento

Uma equipa precisaria de um projeto Google Cloud, das API relevantes e da configuração IAM, de uma implementação do Agent Runtime, de capacidade GPU no GKE, de armazenamento e de componentes de governação configurados. A disponibilidade e os limites dependem das regiões escolhidas, quotas e configuração do produto. A [documentação do Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) remete para listas de regiões e quotas e indica que existe um escalão gratuito. A [página de preços do Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) cobra o cálculo e a memória de execução e descreve a faturação de saída do Gateway; a utilização de modelos, a infraestrutura GPU e o Cloud Storage acrescentam os seus próprios custos. A [calculadora de preços](https://cloud.google.com/products/calculator) da Google pode ajudar a estimar uma configuração escolhida. Um conjunto de GPU continuamente preparado deve ser incluído nessa estimativa.

Os documentos dos componentes descrevem serviços utilizáveis, mas não transformam o padrão combinado de biotecnologia num produto de disponibilidade geral com resultados medidos. As competências independentes do Registry estão expressamente marcadas como Preview, enquanto as páginas aqui consultadas não atribuem uma única classificação de fase de lançamento a todos os elementos da pilha proposta. A compatibilidade entre os contentores de modelos, os controlos de rede e as aplicações de investigação específicos tem de ser verificada para a região e implementação pretendidas. Este artigo é uma análise documental da proposta de 16 de outubro, não um guia de configuração ou um relato de uma instalação operacional.

## A grande mudança

A Google apresentou uma forma de dividir um fluxo de agentes de biotecnologia em planeamento, cálculo científico dedicado e acesso regulado, com grandes estruturas passadas por referência e aprovação humana reservada para ações dispendiosas ou com consequências importantes. O desenho dá às equipas de infraestrutura de investigação um conjunto concreto de fronteiras a avaliar. A velocidade, o isolamento, a fiabilidade científica e o custo de operação continuam a ser questões para uma implementação configurada e testes com medições.

## Fontes e leituras adicionais

- [Google Cloud, «Conceber a autonomia»](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads): A arquitetura de referência de 16 de outubro e os seus componentes, padrões de trabalho e pontos de aprovação propostos.
- [Documentação do Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime): Implementação gerida de agentes, pré-requisitos, suporte a frameworks, ligações de regiões e quotas e ponto de acesso aos preços.
- [Visão geral do Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview): Funcionamento da identidade e das credenciais, ciclo de vida IAM e uma limitação de funções do Cloud Storage.
- [Visão geral do Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview): Modelo de aplicação de regras, modos de execução, salvaguardas dependentes da configuração e limitações declaradas.
- [Documentação do Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry): Tipos de recursos registados e estado Preview das competências independentes.
- [Preços do Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing): Base de cobrança do Runtime e Gateway; estimar separadamente a pilha completa.
- [As quatro lições de avaliação da Google Cloud](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/): Contexto de outro plugin de agentes sobre a verificação de rastos de execução e o desenho de avaliações.

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

## Sources

- [Arquitetura de agentes de biotecnologia da Google Cloud](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) — Proposta de desenho de 16 de outubro e descrições das camadas.
- [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) — Fluxo de implementação, frameworks suportadas, contrato, quotas e ligações de preços.
- [Visão geral do Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) — Credenciais de identidade, ciclo de vida IAM, auditoria e limites.
- [Visão geral do Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) — Modos, políticas, destinos não registados e limitações.
- [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) — Catálogo e classificação Preview das competências independentes.
- [Preços do Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) — Base de cobrança do Runtime e Gateway.
- [Calculadora de preços da Google Cloud](https://cloud.google.com/products/calculator) — Estimativas específicas da configuração.
- [Quatro lições de engenharia de avaliação](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) — Contexto de outro plugin, não uma validação do desenho de biotecnologia.