Podrobný průvodce Google DeepMind přibližuje objev antimikrobiálního peptidu

Společnost Google DeepMind zveřejnila 15. října 2026 podrobný technický postup, v němž biologové využili Google Antigravity, její platformu pro vývoj založenou na agentech, k identifikaci nového kandidátního antimikrobiálního peptidu u bakterie Streptococcus pseudopneumoniae. Společnost uvedla, že tento nadějný kandidát právě prochází laboratorním ověřováním.

Autoři tohoto podrobného postupu, Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh a Lucy J. Colwell, zasazují svou práci do kontextu narůstající antimikrobiální rezistence. Podle příspěvku by mohla do roku 2050 celosvětově způsobit odhadem 10 milionů úmrtí ročně. Příspěvek představuje antimikrobiální peptidy, zejména bakteriociny, jako slibnou alternativu k tradičním antibiotikům, protože se přirozeným vývojem přizpůsobily k cílení na zásadní slabá místa konkurenčních bakterií – od buněčných obalů až po nezbytné nitrobuněčné struktury. Podle příspěvku zaplnilo genomové a metagenomové sekvenování globální databáze miliardami přirozených aminokyselinových sekvencí. Z tohoto souboru vzešly široce používané bakteriociny, například Nisin, i objevy založené na prohledávání genomů, jako jsou Darobactin, Dynobactin a Lariocidin. Miliony sekvencí v databázi UniProt přitom dosud nemají funkčně určenou charakteristiku. Google vyvinul ProtNLM (Protein Natural Language Model), model hlubokého učení, který podle popisu v příspěvku předpovídá biologickou funkci přímo z nezpracovaných aminokyselinových sekvencí. DeepMind uvedl, že miliony záznamů UniProt, které dříve neměly přiřazený název, doplnil o funkční štítky s vysokou mírou jistoty.

Od vyhledávání v UniProt k výpočetně vytipovanému kandidátovi

Výzkumník a agent s umělou inteligencí začínají v podrobném postupu konkrétním biologickým cílem: najít a výpočetně ověřit nové antimikrobiální peptidy u bakterie Streptococcus pseudopneumoniae. Během interaktivní konverzace s několika koly výzkumník řídí vědeckou strategii, rozhoduje, na co se ptát a jaké důkazy shromažďovat, zatímco agent zajišťuje koordinaci práce napříč databázemi, strukturální analýzu a syntézu odborné literatury. Snímky rozhraní v příspěvku ukazují, že relace probíhala s vybraným modelem Gemini 3.8 Flash v rozhraní Antigravity.

Agent prohledal UniProt a z milionů záznamů vybral užší skupinu kandidátů. Mezi nimi identifikoval bakteriocin s ID UniProt A0A0U0D591, peptid dlouhý 97 aminokyselin, který patří do rodiny Lactococcin 972. Podle příspěvku se předpokládá, že kandidát působí proti patogenům způsobujícím infekce dýchacích cest. Aby výzkumník ověřil jeho novost, zadal agentovi porovnání kandidáta s kurátorsky spravovanými proteiny Swiss-Prot prostřednictvím služby EMBL-EBI NCBI-BLAST. Podle podrobného postupu kontrola potvrdila, že mezi ručně kontrolovanými proteiny není žádný významný homolog z hlediska sekvence.

Agent poté získal předpovězený 3D model kandidáta z databáze AlphaFold Protein Structure Database, pomocí nástroje Foldseek jej porovnal s experimentálně určenými strukturami, aby našel vzdálené homology, a modely na sebe překryl, čímž posoudil jejich podobnost. DeepMind uvedl, že strukturální důkazy podpořily předpověď ProtNLM: skládání kandidáta se těsně shoduje s experimentálně určeným bakteriocinem. Při kontrole přilehlých genů agent zjistil, že kandidát leží 6 párů bází před těsně propojeným operonem, který obsahuje permeázu transportéru ABC a její potenciální partnerský protein vážící ATP. V jeho blízkosti se nachází také další anotovaný bakteriocin a transkripční regulátor XRE. Příspěvek tento vzorec popisuje jako silný kontextový důkaz, že kandidát je součástí funkčního bakteriocinového systému.

Na základě přezkoumání dosavadní odborné literatury agent navrhl mechanismus účinku zaměřený na dělení bakteriálních buněk a předpokládané spektrum účinnosti zahrnující několik patogenů odolných vůči léčivům, uvádí příspěvek. Agent poté převedl svá zjištění z výpočetních analýz do laboratorního protokolu zahrnujícího expresi proteinu, testování citlivosti na antimikrobiální látky, ověření interakce s cílem a testování toxicity in vitro. DeepMind charakterizuje kandidáta jako biologicky věrohodný slibný cíl podložený strukturálními a genomickými důkazy, který však stále vyžaduje laboratorní ověření.

Prohlížeč biomolekulárních struktur integrovaný do Antigravity

DeepMind spolu s podrobným postupem představil také Prohlížeč biomolekulárních struktur, nástroj pro 3D vizualizaci integrovaný přímo do Antigravity, který výzkumníkovi a agentovi poskytuje společné vizuální prostředí. Když agent načte struktury z databáze AlphaFold nebo vlastní předpovědi vědce, může prohlížeč dynamicky ovládat a zvýrazňovat důležité funkční oblasti, aby své hypotézy názorně vysvětlil. Sdílení informací funguje oběma směry: úkony, jako je zvýraznění konkrétních zbytků nebo připnutí poznámek přímo k vazebnému místu, se synchronizují zpět s agentem. Příspěvek uvádí příklad výzkumníka, který v 3D prostoru označí oblast zájmu a zeptá se, jak by řetězec β mohl ovlivnit vazbu Lipid II. Agent tak může usuzovat na základě přesného strukturního kontextu, který vědec právě sleduje.

Vědecká platforma Antigravity a program přístupu

Stránka Antigravity věnovaná vědě uvádí, že úpravy agentům poskytují oborově specifické pluginy, dovednosti, podřízené agenty a háčky pro práci s více než 30 významnými databázemi z oblasti věd o živé přírodě, včetně 1PB AlphaGenome Atlas, UniProt, PubChem a ChEMBL. Plugin Science lze nainstalovat jediným kliknutím z tržiště úprav přímo v aplikaci. Podle stránky mohou výzkumníci v pracovním prostoru pro výzkum přímo zadávat dotazy nejnovějším modelům Google DeepMind a prohledávat databáze, jako jsou AlphaGenome, AlphaFold Database a Atlas. Mohou také vytvářet 3D strukturální vizualizace v PyMOL připravené k publikaci, reprodukovatelné analytické skripty a ověřitelné vědecké výstupy. Stránka odkazuje na repozitář úprav s otevřeným zdrojovým kódem na GitHubu, uvádí dostupnost desktopové verze pro macOS, Windows, Linux a Googlebook a říká, že Google poskytuje 10 000 vědcům bezplatný přístup ke Gemini 4 Argon v Antigravity na nejvyšší úrovni využití.

DeepMind popisuje Antigravity jako agentní pracovní prostředí pro vědecký výzkum, které sloučí dříve roztříštěné vyhledávání v několika databázích do jediné relace. Uvedl také, že výzkumníci mohou předvedenou konverzaci rozvíjet novými směry, například přidávat nová kritéria filtrování, zkoumat různé délky sekvencí nebo se zaměřit na jiné prioritní patogeny, a rozšířit tak hledání od komenzálních mikroorganismů člověka až po mikroby z prostředí. Kandidát představený v průvodním videu spolu s několika dalšími objevenými stejným postupem nyní prochází laboratorním ověřováním. DeepMind uvedl, že konečným testem analýzy agenta budou experimentální výsledky.