Dual-Agent Framework for Cross-Model Verified Translation of Natural-Language Protocols into Robotic Laboratory Platform

Resumen Técnico: Marco de Agentes Duales para la Traducción Verificada entre Modelos de Protocolos de Lenguaje Natural hacia Plataformas de Laboratorio Robótico

1. Planteamiento del Problema

Los protocolos de experimentos biológicos se escriben tradicionalmente en lenguaje natural no estructurado, mientras que los sistemas de automatización para laboratorios autónomos dependen de comandos de control predefinidos y deterministas. Esto crea una "brecha semántica" significativa que obstaculiza la ejecución autónoma. Este desafío es particularmente agudo en experimentos basados en microplacas (por ejemplo, ELISA, ensayos de Bradford), los cuales requieren la coordinación simultánea de mapeo de pozos, combinaciones de muestra-reactivo, colocación de réplicas y dispensación en paralelo.

Los enfoques actuales enfrentan dos limitaciones primarias:

1. Variabilidad y Complejidad: Los protocolos de microplacas exhiben una alta variabilidad en su estructura y expresión. Incluso dentro de un mismo tipo de ensayo (por ejemplo, ELISA), los pasos, el manejo de reactivos y las condiciones varían ampliamente. Convertir esto en estructuras ejecutables requiere razonamiento estructural y comprensión contextual, no meramente la búsqueda de palabras clave.
2. Fiabilidad de los LLM: Aunque los Modelos de Lenguaje Extensos (LLM) muestran potencial para interpretar textos científicos, los LLM de un solo paso de extremo a extremo (end-to-end) suelen tener dificultades para producir planes multi-paso fiables. Son propensos a "alucinaciones de ejecución", categorizadas como:
   • Alucinaciones de Ejecución: Generación de comandos de control que violan las especificaciones del equipo (por ejemplo, uso incorrecto de puntas o secuencias de manipulación de líquidos imposibles).
   • Alucinaciones de Razonamiento: Omisión de pasos, errores de orden o interpretación errónea de condiciones.
     El uso directo de los resultados de un LLM para el control robótico conlleva riesgos de fallos de ejecución. Además, los enfoques de un solo modelo carecen de mecanismos explícitos para verificar la ejecutabilidad, permitiendo que los errores se propaguen sin ser detectados.

2. Metodología

El estudio propone un Marco de Agentes Duales que cierra la brecha semántica mediante un proceso de tres etapas: Estructuración de Protocolos, Mapeo de Comandos Deterministas y Verificación entre Modelos. El marco opera sobre una plataforma de laboratorio robótica personalizada (KIMM BioForge-1) equipada con un robot SCARA para el transporte de placas, un robot de pórtico para la manipulación de líquidos y un lector de placas.

Componentes Principales:

• Agente de Análisis (Basado en LLM):
  • Convierte protocolos de lenguaje natural no estructurados en una representación estructurada utilizando un prompt de interpretación restringida.
  • Separa explícitamente los pasos en dos dominios: <MANUAL> (tareas realizadas por el usuario, como diluciones) e <INSTRUMENT> (tareas automatizadas, como manipulación de líquidos e incubación). Esta separación asegura que el motor de mapeo posterior opere solo sobre pasos ejecutables.
  • Genera una estructura normalizada utilizando etiquetas como <KIT_TITLE>, <MANUAL> y <INSTRUMENT>.
• Motor de Mapeo Basado en Reglas:
  • Actúa como una capa de ejecución determinista, traduciendo el protocolo estructurado en comandos de control a nivel de dispositivo.
  • Aplica reglas predefinidas para el mapeo de coordenadas (agrupación de pozos para pipeteo multicanal), manipulación de líquidos, gestión de puntas (para prevenir la contaminación cruzada), transporte de placas y control ambiental.
  • Esta capa absorbe la brecha de granularidad entre las unidades semánticas y las unidades de ejecución (por ejemplo, expandiendo un único paso de "Lavar 4×" en 34 comandos de nivel de dispositivo).
• Agente de Validación (LLM Heterogéneo):
  • Un LLM distinto (diferente al de Análisis) realiza la verificación cruzada de la secuencia de comandos generada contra el protocolo original.
  • Verifica tres criterios: Integridad (ausencia de pasos faltantes), Precisión de Parámetros (conversión correcta de volúmenes, tiempos, temperaturas) y Orden de Ejecución (adherencia a las restricciones del instrumento).
  • Si se detectan errores, el agente genera retroalimentación estructurada (tipo de error, ubicación, guía) para activar un bucle de autocorrección, regenerando el protocolo estructurado y la secuencia de comandos.

Diseño Experimental:

• Conjunto de Datos: 30 protocolos de ELISA seleccionados aleatoriamente de 1,000 recolectados en línea, variando en estilo de descripción y formato.
• Verdad de Campo (Ground Truth): Construida en dos capas: (1) Protocolo Estructurado GT y (2) Comando de Control a Nivel de Dispositivo GT, etiquetados por revisores expertos.
• Pool de Modelos: 7 modelos de Análisis (desde GPT-5 hasta modelos locales Llama) y 3 modelos de Validación (GPT-5, llama-4-maverick, Claude Sonnet 4.6).
• Métricas:
  • Precisión de Parámetros: Agrega parámetros correctos a través de las capas estructurada y de comandos, penalizando la sobregeneración.
  • Tasa de Aprobación (Pass Rate): Categorizada por el número de intento (1er Intento, 2do Intento, 3er Intento, Fallo Final) dentro de un límite de 3 intentos.
  • Latencia: Tiempo de procesamiento medio por protocolo.

3. Resultados Clave

• Efectividad de la Verificación entre Modelos:
  • La eficacia del bucle de autocorrección depende fuertemente de la capacidad de verificación crítica del Validador, no meramente de la heterogeneidad del modelo.
  • Los validadores como llama-4-maverick y GPT-5 (cuando se usaron como validadores para sus propias familias de analizadores) fueron demasiado permisivos, resultando en una mejora de precisión insignificante y altas tasas de "Fallo Final".
  • El Validador Claude Sonnet 4.6 demostró fuertes capacidades de verificación. Indujo la regeneración en todos los modelos de Análisis, mejorando significativamente la precisión. Por ejemplo, la precisión de GPT-4.1-mini aumentó de ~0.4 a ~0.7–0.8, y la de llama-3.3-70b mejoró de 0.2 a 0.35–0.4.
  • Las combinaciones de modelos cruzados (familias distintas) superaron a las combinaciones de autovalidación, mitigando el sesgo de confirmación.
• Compromiso Precisión–Latencia:
  • Los modelos locales pequeños (ej. GPT-4.1-nano) son rápidos pero tienen una baja precisión base. Sin embargo, al ser emparejados con un Validador fuerte (Claude), su precisión efectiva aumenta significativamente sin incrementar la latencia, desplazando la frontera de Pareto hacia arriba.
  • Esto sugiere una estrategia de despliegue práctica: usar modelos pequeños on-premise con un validador externo fuerte para lograr alta fiabilidad manteniendo la privacidad de datos y baja latencia.
• Híbrido vs. Extremo a Extremo (End-to-End):
  • El marco híbrido propuesto (LLM + Motor Basado en Reglas) superó significativamente al enfoque de LLM de extremo a extremo (donde el LLM genera directamente comandos de dispositivo) tanto en Precisión de Parámetros como en Latencia.
  • El motor basado en reglas eliminó las alucinaciones de ejecución (ej. uso de puntas inválidas), demostrando que separar la interpretación semántica de la imposición de restricciones deterministas es superior.
• Demostración de Extremo a Extremo:
  • El marco ejecutó con éxito dos experimentos en la plataforma robótica: un procedimiento de dispensación simple y un ensayo de Bradford para la cuantificación de proteína total.
  • Utilizando GPT-5 como Analizador y Claude Sonnet 4.6 como Validador, ambos protocolos pasaron la verificación en el primer intento sin necesidad de regeneración, resultando en una ejecución física exitosa y una generación precisa de la curva estándar.

4. Significación y Reivindicaciones

El artículo afirma proporcionar un enfoque flexible y agnóstico al modelo para cerrar la brecha semántica entre los protocolos de lenguaje natural y los laboratorios autónos basados en microplacas. Sus contribuciones específicas son:

1. Marco Integrado: Presenta un flujo de trabajo único que gestiona la estructuración semántica, el mapeo de comandos deterministas y la verificación entre modelos, permitiendo la traducción completa desde el lenguaje natural hasta la ejecución física del robot.
2. Recuperación de Precisión de Bajo Costo: Demuestra que los LLM de tamaño medio y pequeño pueden alcanzar una precisión de traducción cercana a la de los grandes modelos en la nube mediante la corrección en tiempo de inferencia (usando un Validador heterogéneo) sin necesidad de entrenamiento adicional o ajuste fino (fine-tuning).
3. Validación Arquitectónica: Valida que una arquitectura híbrida (LLM para semántica + Basada en Reglas para restricciones) es superior al mapeo de LLM de extremo a extremo para el control robótico, mitigando eficazmente las alucinaciones.
4. Paradigma de Humano en el Bucle (Human-in-the-Loop): El sistema desplaza el rol del investigador de la escritura y depuración de scripts hacia el diseño experimental y la supervisión, alineándose con la visión de los laboratorios autónomos.

Los autores señalan modestamente que la validación actual se limita a procedimientos basados en microplacas (ELISA, dilución, dispensación) y que la generalización a otros tipos de experimentos (ej. cultivo celular, PCR) requiere extender el motor basado en reglas, lo cual es compatible con el diseño modular.