15 октября 2026 г. Наука
Пэнфэй Тянь, Максвелл Л. Билески, Зои Цангалиду, Сухдип Сингх и Люси Дж. Колвелл
Новые антибиотики крайне необходимы для борьбы с растущим уровнем устойчивости к противомикробным препаратам, однако поиск новых терапевтических средств часто является медленным и трудоемким процессом. С помощью Google Antigravity, нашей агентной платформы разработки, этот процесс теперь можно упростить.
Google Antigravity предоставляет агентную научную рабочую среду, которая позволяет биологам быстро находить, структурно оценивать и приоритизировать перспективные мишени, объединяя то, что раньше было разрозненным поиском по нескольким базам данных, в единую сессию. Она также помогает исследователям просматривать миллионы ранее не охарактеризованных белков в базе данных UniProt с помощью ProtNLM — модели, которая предсказывает биологическую функцию на основе аминокислотных последовательностей.
В этом техническом обзоре показано, как биологи использовали Google Antigravity для обнаружения нового кандидата в антимикробные пептиды, который обладает прогнозируемой активностью против патогенов, вызывающих инфекции дыхательных путей. Выявленный здесь лидер в настоящее время проходит валидацию в лабораторных условиях (wet-lab).
Поиск новых антимикробных пептидов
Растущая устойчивость к противомикробным препаратам является одним из самых острых глобальных кризисов в области здравоохранения нашего времени и, по оценкам, может привести к 10 миллионам смертей ежегодно во всем мире к 2050 году. Чтобы предотвратить это, нам срочно необходимо открывать новые терапевтические средства. Антимикробные пептиды (АМП), особенно бактериоцины, предлагают многообещающую альтернативу традиционным антибиотикам, поскольку они естественным образом эволюционировали для воздействия на фундаментальные уязвимости конкурирующих бактерий — от клеточных оболочек до жизненно важного внутриклеточного аппарата, что затрудняет развитие устойчивости у патогенов.
Экспоненциальный рост геномного и метагеномного секвенирования наполнил глобальные базы данных миллиардами природных аминокислотных последовательностей. Этот массив природных данных уже позволил получить широко используемые во всем мире бактериоцины, такие как низин, а также недавние прорывы в области геномного майнинга, такие как даробактин, динобактин и лариоцидин.
Однако многие из них остаются запертыми в неаннотированной «темной материи» белковых баз данных, их функции не охарактеризованы, поскольку они не похожи на известные белки. Например, ведущий мировой общедоступный ресурс белковых последовательностей и функциональной информации, UniProt, содержит миллионы последовательностей с неизвестной функциональностью, перенесенных непосредственно из проектов по секвенированию генома.
Чтобы преодолеть этот разрыв, Google разработала ProtNLM (Protein Natural Language Model) — модель глубокого обучения, обученную непосредственно «читать» базовую эволюционную «грамматику» аминокислотных последовательностей. Это позволяет модели предсказывать биологическую функцию непосредственно на основе необработанных белковых последовательностей, обогащая миллионы ранее не названных записей UniProt высокодостоверными функциональными метками.
Обзор конвейера ProtNLM, преобразующего необработанные аминокислотные последовательности в биологические аннотации на естественном языке для нерецензируемых записей UniProtKB/TrEMBL. Область функционального аннотирования системы охватывает названия белков, комментарии к функциям, субклеточную локализацию и термины GO, в дополнение к ключевым словам.
Коллективный интеллект
Научное открытие редко бывает одношаговым процессом; поиск жизнеспособных белков-кандидатов требует человеческой интуиции и итераций для включения новых эмпирических данных. Работая в Antigravity, исследователь и ИИ-агент начинают с постановки сфокусированной биологической цели: найти и вычислительно подтвердить новые АМП у Streptococcus pseudopneumoniae. В ходе интерактивной многоходовой сессии исследователь направляет научную стратегию, решая, какие вопросы задавать и какие доказательства собирать, в то время как агент берет на себя тяжелую работу по координации между базами данных, структурному анализу и синтезу литературы.
Кандидат, которого мы обнаружили в этом обзоре, представляет собой биологически правдоподобный вариант, подкрепленный структурными и геномными данными, но он все еще требует валидации в лабораторных условиях. Что делает это значимым, так это то, насколько радикально это снижает барьер для повседневных биологических рабочих процессов, превращая дни разрозненной сортировки баз данных в единую совместную сессию. Хотя эта сессия была сосредоточена на узком аминокислотном окне у Streptococcus pseudopneumoniae, исследователи могут направить разговор в любое русло, например, добавляя новые критерии фильтрации, изучая последовательности разной длины или нацеливаясь на другие приоритетные патогены. Расширяя поиск от комменсалов человека до микробов окружающей среды и далее, ученые могут направлять агента по всей базе UniProt для поиска новых кандидатов в АМП в широком масштабе.
Общее 3D-полотно для интерактивного сотрудничества
3D-структура белка может помочь нам понять его биологическую функцию. Изучение предсказанной укладки кандидата в пространстве имеет ключевое значение. Чтобы обеспечить этот сквозной рабочий процесс в единой рабочей области, мы представляем Biomolecular Structure Viewer — инструмент 3D-визуализации, встроенный непосредственно в Antigravity.
Исследователь и агент работают вместе над общим визуальным состоянием. По мере того как агент извлекает структуры из базы данных AlphaFold или собственных предсказаний ученого, он может динамически управлять средством просмотра. Например, он может выделять ключевые функциональные области, чтобы визуально объяснить свои гипотезы. Важно отметить, что эта осведомленность работает в обоих направлениях: действия, такие как выделение определенных остатков или прикрепление заметок непосредственно к карману связывания, синхронизируются обратно с агентом. Исследователь может просто отметить интересующую область в 3D-пространстве и спросить, например: «Как этот β-тяж может повлиять на связывание Lipid II?», позволяя агенту немедленно рассуждать о точном структурном контексте, который рассматривает ученый.
Biomolecular Structure Viewer внутри Antigravity показывает предсказанную AlphaFold структуру бактериоцина-кандидата, предоставляя исследователю и агенту общее 3D-полотно для изучения и аннотирования функциональных областей.
Ускорение научных открытий
Исторически сложилось так, что получение таких выводов, как в продемонстрированном выше рабочем процессе, требовало разрозненного и специализированного программного обеспечения: написания пользовательских скриптов для запросов к базам данных, ручного экспорта файлов в программы 3D-моделирования, управления разрозненными геномными инструментами и работы с несколькими экспертами для разработки лабораторных анализов. Поскольку валидация в лабораторных условиях остается ресурсоемкой, сужение пространства поиска только до наиболее достоверных кандидатов на начальном этапе имеет решающее значение. Использование Google Antigravity позволяет исследователям эффективно перемещаться по обширному биологическому пространству поиска, используя точные прогнозы функций белков от предметно-ориентированной модели.
Google Antigravity выполняет это сквозное научное обоснование в одном месте. Это позволяет ученым тратить больше времени на оценку высококачественных гипотез, проведение экспериментов в лаборатории и решение исследовательских задач.
Благодарности
Мы хотели бы выразить признательность за вклад следующих членов команды: Мария Габриэла Кардозу, Виктория Джонстон, Лекси Уокер, Джина Хонг, Джеймс Кинг, Ричард Грин, Филип Радлински, Артем Соболев, Майкл В. ЛеВайн, Жуйцзе К. Чжан, Закари Ву, Лука Шульц, Эми Дэнсон, Тристан Оливер Кван, Райан Крюгер, Олег Ковалевский, Даг Фриц, Юньхань Сюй, Себастьян Новозин
