Το Google DeepMind παρουσιάζει αναλυτικά την ανακάλυψη αντιμικροβιακών πεπτιδίων

Στις 15 Οκτωβρίου 2026, το Google DeepMind δημοσίευσε μια τεχνική παρουσίαση, στην οποία βιολόγοι χρησιμοποίησαν το Google Antigravity, την πλατφόρμα ανάπτυξης εφαρμογών της με πράκτορες τεχνητής νοημοσύνης, για να εντοπίσουν ένα νέο υποψήφιο αντιμικροβιακό πεπτίδιο στο Streptococcus pseudopneumoniae. Η εταιρεία ανέφερε ότι το βασικό υποψήφιο μόριο βρίσκεται υπό εργαστηριακή επικύρωση.

Η παρουσίαση, την οποία συνέταξαν οι Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh και Lucy J. Colwell, εντάσσει την εργασία στο πλαίσιο της αυξανόμενης μικροβιακής αντοχής, η οποία, σύμφωνα με την ανάρτηση, θα μπορούσε να προκαλεί περίπου 10 εκατομμύρια θανάτους ετησίως παγκοσμίως έως το 2050. Παρουσιάζει τα αντιμικροβιακά πεπτίδια, και ιδίως τις βακτηριοσίνες, ως πολλά υποσχόμενη εναλλακτική λύση στα παραδοσιακά αντιβιοτικά, επειδή έχουν εξελιχθεί φυσικά ώστε να στοχεύουν θεμελιώδεις αδυναμίες των ανταγωνιστικών βακτηρίων, από τον κυτταρικό φάκελο έως βασικούς ενδοκυττάριους μηχανισμούς. Σύμφωνα με την ανάρτηση, η γονιδιωματική και μεταγονιδιωματική αλληλούχηση έχει εμπλουτίσει τις παγκόσμιες βάσεις δεδομένων με δισεκατομμύρια φυσικές αλληλουχίες αμινοξέων. Από αυτή τη δεξαμενή έχουν προκύψει ευρέως χρησιμοποιούμενες βακτηριοσίνες, όπως η Nisin, καθώς και ανακαλύψεις μέσω γονιδιωματικής εξόρυξης, όπως οι Darobactin, Dynobactin και Lariocidin, ενώ εκατομμύρια αλληλουχίες στη βάση δεδομένων UniProt παραμένουν χωρίς λειτουργικό χαρακτηρισμό. Η Google ανέπτυξε το ProtNLM (μοντέλο φυσικής γλώσσας πρωτεϊνών), ένα μοντέλο βαθιάς μάθησης που, όπως περιγράφει η ανάρτηση, εκπαιδεύτηκε για να προβλέπει τη βιολογική λειτουργία απευθείας από ακατέργαστες αλληλουχίες αμινοξέων. Το DeepMind ανέφερε ότι εμπλούτισε εκατομμύρια εγγραφές του UniProt, οι οποίες προηγουμένως δεν είχαν ονομασία, με ετικέτες λειτουργίας υψηλού βαθμού βεβαιότητας.

Από την αναζήτηση στο UniProt σε έναν υποψήφιο μέσω υπολογιστικής ανάλυσης

Στην παρουσίαση, ο ερευνητής και ο πράκτορας τεχνητής νοημοσύνης ξεκινούν με έναν σαφή βιολογικό στόχο: να εντοπίσουν και να επικυρώσουν υπολογιστικά νέα αντιμικροβιακά πεπτίδια στο Streptococcus pseudopneumoniae. Σε μια διαδραστική συνεδρία πολλαπλών γύρων, ο ερευνητής καθοδηγεί την επιστημονική στρατηγική, αποφασίζοντας ποιες ερωτήσεις θα τεθούν και ποια στοιχεία θα συλλεχθούν, ενώ ο πράκτορας αναλαμβάνει τον συντονισμό εργασιών μεταξύ βάσεων δεδομένων, τη δομική ανάλυση και τη σύνθεση της βιβλιογραφίας. Στιγμιότυπα οθόνης στην ανάρτηση δείχνουν ότι η συνεδρία πραγματοποιήθηκε με επιλεγμένο το μοντέλο Gemini 3.8 Flash στη διεπαφή του Antigravity.

Ο πράκτορας αναζήτησε στο UniProt και περιόρισε εκατομμύρια εγγραφές σε μια σύντομη λίστα υποψηφίων. Εντόπισε μια βακτηριοσίνη με αναγνωριστικό UniProt A0A0U0D591, ένα πεπτίδιο 97 αμινοξέων από την οικογένεια Lactococcin 972. Σύμφωνα με την ανάρτηση, προβλέπεται ότι ο υποψήφιος παράγοντας δρα κατά παθογόνων που προκαλούν λοιμώξεις του αναπνευστικού. Για να επαληθεύσει ότι πρόκειται για νέα ανακάλυψη, ο ερευνητής έδωσε εντολή στον πράκτορα να συγκρίνει τον υποψήφιο με επιμελημένες πρωτεΐνες Swiss-Prot μέσω της υπηρεσίας EMBL-EBI NCBI-BLAST. Η παρουσίαση αναφέρει ότι ο έλεγχος επιβεβαίωσε πως δεν υπάρχει αλληλουχία με ουσιαστική ομοιότητα μεταξύ των πρωτεϊνών που έχουν ελεγχθεί χειροκίνητα.

Στη συνέχεια, ο πράκτορας ανέκτησε το προβλεπόμενο τρισδιάστατο μοντέλο του υποψηφίου από τη βάση δεδομένων πρωτεϊνικών δομών AlphaFold Protein Structure Database, πραγματοποίησε αναζήτηση με το Foldseek σε πειραματικά προσδιορισμένες δομές για να εντοπίσει απομακρυσμένα ομόλογα και υπέρθεσε τα μοντέλα για να αξιολογήσει την ομοιότητά τους. Το DeepMind ανέφερε ότι τα δομικά στοιχεία επιβεβαίωσαν την πρόβλεψη του ProtNLM, καθώς έδειξαν ότι η αναδίπλωση του υποψηφίου μοιάζει πολύ με εκείνη μιας βακτηριοσίνης που έχει προσδιοριστεί πειραματικά. Εξετάζοντας τα γειτονικά γονίδια, ο πράκτορας διαπίστωσε ότι ο υποψήφιος βρίσκεται 6 ζεύγη βάσεων ανάντη ενός στενά συνδεδεμένου οπερονίου, το οποίο περιλαμβάνει μια διαπεράση μεταφορέα ABC και την πιθανή συνεργαζόμενη πρωτεΐνη πρόσδεσης ATP, καθώς και μια ακόμη επισημειωμένη βακτηριοσίνη και έναν ρυθμιστή μεταγραφής XRE. Η ανάρτηση περιγράφει αυτό το μοτίβο ως ισχυρή ένδειξη από το γενετικό περιβάλλον ότι ο υποψήφιος αποτελεί μέρος ενός λειτουργικού συστήματος βακτηριοσίνης.

Αφού εξέτασε την υπάρχουσα βιβλιογραφία, ο πράκτορας πρότεινε, σύμφωνα με την ανάρτηση, έναν μηχανισμό δράσης που στοχεύει την κυτταρική διαίρεση των βακτηρίων, καθώς και ένα προβλεπόμενο φάσμα δραστικότητας που περιλαμβάνει αρκετά ανθεκτικά στα φάρμακα παθογόνα. Στη συνέχεια, μετέτρεψε τα ευρήματα της υπολογιστικής ανάλυσης σε εργαστηριακό πρωτόκολλο που καλύπτει την έκφραση πρωτεϊνών, τον έλεγχο αντιμικροβιακής ευαισθησίας, την επιβεβαίωση εμπλοκής του στόχου και τον έλεγχο τοξικότητας in vitro. Το DeepMind χαρακτηρίζει τον υποψήφιο ως βιολογικά εύλογο βασικό υποψήφιο μόριο, το οποίο υποστηρίζεται από δομικά και γονιδιωματικά στοιχεία, αλλά εξακολουθεί να χρειάζεται εργαστηριακή επικύρωση.

Προβολή βιομοριακών δομών ενσωματωμένη στο Antigravity

Παράλληλα με την παρουσίαση, το DeepMind ανακοίνωσε το Biomolecular Structure Viewer, ένα εργαλείο τρισδιάστατης απεικόνισης ενσωματωμένο απευθείας στο Antigravity, το οποίο προσφέρει στον ερευνητή και στον πράκτορα κοινή οπτική αναπαράσταση. Καθώς ο πράκτορας ανακτά δομές από τη βάση δεδομένων AlphaFold ή από προβλέψεις του ίδιου του επιστήμονα, μπορεί να ελέγχει δυναμικά την προβολή και να επισημαίνει βασικές λειτουργικές περιοχές, εξηγώντας οπτικά τις υποθέσεις του. Η αλληλεπίδραση λειτουργεί και προς τις δύο κατευθύνσεις: ενέργειες όπως η επισήμανση συγκεκριμένων καταλοίπων ή η προσθήκη σημειώσεων απευθείας σε έναν θύλακα πρόσδεσης συγχρονίζονται με τον πράκτορα. Η ανάρτηση δίνει το παράδειγμα ερευνητή που επισημαίνει μια περιοχή ενδιαφέροντος στον τρισδιάστατο χώρο και ρωτά πώς θα μπορούσε μια β-πτυχή να επηρεάσει την πρόσδεση του Lipid II, επιτρέποντας στον πράκτορα να συλλογιστεί με βάση ακριβώς το δομικό πλαίσιο που βλέπει ο επιστήμονας.

Επιστημονική πλατφόρμα Antigravity και πρόγραμμα πρόσβασης

Η σελίδα επιστήμης του Antigravity αναφέρει ότι οι προσαρμογές για τους πράκτορες τούς εξοπλίζουν με πρόσθετα, δεξιότητες, υποπράκτορες και hooks εξειδικευμένα σε συγκεκριμένους τομείς, ώστε να εργάζονται με περισσότερες από 30 μεγάλες βάσεις δεδομένων των επιστημών ζωής, μεταξύ των οποίων το AlphaGenome Atlas του 1PB, οι UniProt, PubChem και ChEMBL. Το πρόσθετο Science μπορεί να εγκατασταθεί με ένα κλικ από την αγορά προσαρμογών εντός της εφαρμογής. Σύμφωνα με τη σελίδα, οι ερευνητές μπορούν να υποβάλλουν απευθείας ερωτήματα στα πλέον προηγμένα μοντέλα της Google DeepMind και σε βάσεις δεδομένων όπως οι AlphaGenome, AlphaFold Database και Atlas, μέσα από τον χώρο εργασίας έρευνας, καθώς και να δημιουργούν τρισδιάστατες δομικές απεικονίσεις PyMOL έτοιμες για δημοσίευση, αναπαραγώγιμα σενάρια ανάλυσης και επαληθεύσιμα επιστημονικά τεκμήρια. Η σελίδα παραπέμπει σε αποθετήριο προσαρμογών ανοικτού κώδικα στο GitHub, αναφέρει ότι η εφαρμογή για υπολογιστές είναι διαθέσιμη σε macOS, Windows, Linux και Googlebook, και δηλώνει ότι η Google προσφέρει σε 10.000 επιστήμονες δωρεάν πρόσβαση στο Gemini 4 Argon μέσω του Antigravity, με το υψηλότερο επίπεδο χρήσης.

Η DeepMind περιγράφει το Antigravity ως έναν επιστημονικό πάγκο εργασίας με πράκτορες, ο οποίος συμπυκνώνει σε μία συνεδρία τη διαδικασία αναζήτησης που παλαιότερα ήταν κατακερματισμένη σε πολλές βάσεις δεδομένων. Ανέφερε επίσης ότι οι ερευνητές μπορούν να κατευθύνουν τη συζήτηση που παρουσιάστηκε σε νέες κατευθύνσεις, όπως να προσθέσουν νέα κριτήρια φιλτραρίσματος, να εξερευνήσουν διαφορετικά μήκη αλληλουχιών ή να εστιάσουν σε άλλα παθογόνα προτεραιότητας, διευρύνοντας την αναζήτηση από τα ανθρώπινα συμβιωτικά μικρόβια στους περιβαλλοντικούς μικροοργανισμούς. Ο υποψήφιος που παρουσιάστηκε στην περιήγηση, μαζί με αρκετούς άλλους που εντοπίστηκαν μέσω της ίδιας διαδικασίας, υποβάλλεται σε εργαστηριακή επικύρωση, όπου, όπως δήλωσε η DeepMind, τα πειραματικά αποτελέσματα θα αποτελέσουν την οριστική δοκιμή της ανάλυσης του πράκτορα.