Google DeepMindin läpikäynti kertoo antimikrobisen peptidin löytämisestä

Google DeepMind julkaisi 15. lokakuuta 2026 teknisen läpikäynnin, jossa biologit käyttivät Google Antigravity -alustaa, yhtiön agenttipohjaista kehitysalustaa, tunnistaakseen uuden antimikrobisen peptidin ehdokkaan Streptococcus pseudopneumoniae -bakteerissa. Yhtiön mukaan lupaava ehdokas on parhaillaan validoinnissa laboratoriokokein.

Pengfei Tianin, Maxwell L Bileschin, Zoi Tsangalidoun, Sukhdeep Singhin ja Lucy J. Colwellin kirjoittamassa läpikäynnissä työ asetetaan kasvavan mikrobilääkeresistenssin yhteyteen. Julkaisun mukaan resistenssi voi johtaa arviolta 10 miljoonaan kuolemaan vuodessa maailmanlaajuisesti vuoteen 2050 mennessä. Siinä antimikrobiset peptidit, erityisesti bakteriosiinit, esitetään lupaavana vaihtoehtona perinteisille antibiooteille, sillä ne ovat kehittyneet luonnossa kohdistumaan kilpailevien bakteerien perustavanlaatuisiin heikkouksiin soluvaipoista solunsisäisiin elintärkeisiin rakenteisiin. Julkaisun mukaan genomien ja metagenomien sekvensointi on tuottanut maailmanlaajuisiin tietokantoihin miljardeja luonnollisia aminohapposekvenssejä. Tästä joukosta on löydetty laajalti käytettyjä bakteriosiineja, kuten Nisin, sekä genomien louhinnalla löydettyjä yhdisteitä, kuten Darobactin, Dynobactin ja Lariocidin. UniProt-tietokannan miljoonien sekvenssien toiminta on kuitenkin yhä tuntematon. Google kehitti ProtNLM:n (Protein Natural Language Model eli proteiinien luonnollisen kielen malli), jota julkaisussa kuvaillaan syväoppimismalliksi, joka ennustaa biologista toimintaa suoraan aminohapposekvensseistä. DeepMindin mukaan malli on rikastanut miljoonia UniProt-merkintöjä, joilla ei aiemmin ollut nimeä, erittäin luotettavilla toiminnallisilla merkinnöillä.

UniProt-hausta laskennallisesti validoituun ehdokkaaseen

Läpikäynnissä tutkija ja tekoälyagentti aloittavat rajatusta biologisesta tavoitteesta: uusien antimikrobisten peptidien löytämisestä ja laskennallisesta validoinnista Streptococcus pseudopneumoniae -bakteerissa. Vuorovaikutteisessa, useita keskustelukierroksia sisältävässä istunnossa tutkija ohjaa tieteellistä strategiaa ja päättää, mitä kysymyksiä esitetään ja millaista näyttöä kerätään. Agentti puolestaan huolehtii eri tietokantojen yhteensovittamisesta, rakenteellisesta analyysistä ja tutkimuskirjallisuuden synteesistä. Julkaisun käyttöliittymäkuvissa istunto käydään Antigravity-käyttöliittymässä, jossa malliksi on valittu Gemini 3.8 Flash.

Agentti haki tietoja UniProtista ja karsi miljoonat merkinnät lyhyeksi ehdokaslistaksi. Se tunnisti bakteriosiinin, jonka UniProt-tunnus on A0A0U0D591. Peptidi on 97 aminohapon pituinen ja kuuluu Lactococcin 972 -perheeseen. Julkaisun mukaan ehdokkaan ennustetaan tehoavan hengitystieinfektioihin liittyviä taudinaiheuttajia vastaan. Uutuuden varmistamiseksi tutkija ohjasi agenttia vertaamaan ehdokasta kuratoituihin Swiss-Prot-proteiineihin EMBL-EBI:n NCBI-BLAST-palvelun avulla. Läpikäynnin mukaan tarkistus vahvisti, ettei ehdokkaalla ole merkityksellistä sekvenssihomologiaa manuaalisesti tarkistettujen proteiinien joukossa.

Seuraavaksi agentti haki ehdokkaan ennustetun 3D-mallin AlphaFold Protein Structure Database -tietokannasta, etsi Foldseek-haulla etäisiä homologeja kokeellisesti määritetyistä rakenteista ja päällekkäisti mallit niiden samankaltaisuuden arvioimiseksi. DeepMindin mukaan rakenteellinen näyttö vahvisti ProtNLM:n ennustetta: ehdokkaan laskostuma vastaa läheisesti kokeellisesti määritetyn bakteriosiinin laskostumaa. Agentti tarkasteli myös ehdokasta ympäröiviä geenejä ja havaitsi sen sijaitsevan 6 emäsparia ennen tiiviisti kytkeytynyttä operonia. Operoni sisältää ABC-kuljettajan permeaasin ja sen mahdollisen kumppanin, ATP:tä sitovan proteiinin, sekä toisen annotoidun bakteriosiinin ja XRE-transkriptiotekijän. Julkaisun mukaan tämä rakenne on vahvaa kontekstuaalista näyttöä siitä, että ehdokas kuuluu toimivaan bakteriosiinijärjestelmään.

Olemassa olevaa tutkimuskirjallisuutta tarkasteltuaan agentti ehdotti julkaisun mukaan vaikutusmekanismia, joka kohdistuu bakteerien solunjakautumiseen, sekä ennusti tehon kattavan useita lääkeresistenttejä taudinaiheuttajia. Tämän jälkeen agentti muunsi in silico -löydöksensä laboratorioprotokollaksi, joka kattaa proteiinin ilmentämisen, antimikrobisen herkkyyden testauksen, kohteeseen sitoutumisen arvioinnin ja toksisuuden in vitro -testauksen. DeepMind kuvailee ehdokasta biologisesti uskottavaksi lupaavaksi yhdisteeksi, jota tukevat rakenteellinen ja genominen näyttö mutta joka vaatii vielä validointia laboratoriokokein.

Biomolecular Structure Viewer -työkalu upotettuna Antigravityyn

Läpikäynnin yhteydessä DeepMind esitteli Biomolecular Structure Viewer -työkalun, 3D-visualisointityökalun, joka on upotettu suoraan Antigravityyn ja tarjoaa tutkijalle ja agentille yhteisen visuaalisen tilan. Kun agentti hakee rakenteita AlphaFold-tietokannasta tai tutkijan omista ennusteista, se voi ohjata katselinta dynaamisesti ja korostaa keskeisiä toiminnallisia alueita selittääkseen hypoteesejaan visuaalisesti. Tieto kulkee molempiin suuntiin: esimerkiksi tiettyjen aminohappotähteiden korostaminen tai muistiinpanojen kiinnittäminen suoraan sitoutumistaskuun välittyy agentille. Julkaisussa mainitaan esimerkkinä tutkija, joka merkitsee 3D-tilassa kiinnostavan alueen ja kysyy, miten β-juoste voisi vaikuttaa Lipid II:n sitoutumiseen. Näin agentti voi päätellä asiaa juuri sen rakenteellisen kontekstin perusteella, jota tutkija tarkastelee.

Antigravityn tiedealusta ja käyttöoikeusohjelma

Antigravityn tiedesivun mukaan agenttien mukautukset varustavat agentit toimialakohtaisilla liitännäisillä, taidoilla, aliagenteilla ja koukuilla, joiden avulla ne voivat työskennellä yli 30 merkittävän biotieteiden tietokannan parissa. Niihin kuuluvat 1 PB:n AlphaGenome Atlas, UniProt, PubChem ja ChEMBL. Science-liitännäisen voi asentaa yhdellä napsautuksella sovelluksen sisäisestä mukautusten markkinapaikasta. Sivun mukaan tutkijat voivat tehdä tutkimustyötilassa kyselyjä suoraan Google DeepMindin edistyneimmille malleille ja esimerkiksi AlphaGenome-, AlphaFold Database- ja Atlas-tietokannoille sekä tuottaa julkaisukelpoisia PyMOLin 3D-rakennemallinnuksia, toistettavia analyysiskriptejä ja todennettavia tieteellisiä tuotoksia. Sivulla viitataan GitHubissa olevaan avoimen lähdekoodin mukautusvarastoon, kerrotaan työpöytäsovelluksen olevan saatavilla macOS-, Windows- ja Linux-käyttöjärjestelmille sekä Googlebook-laitteille ja todetaan, että Google tarjoaa 10 000 tutkijalle maksuttoman pääsyn Gemini 4 Argoniin Antigravityssa korkeimmalla käyttörajoitustasolla.

DeepMind kuvailee Antigravitya agenttipohjaiseksi tieteen työympäristöksi, joka kokoaa yhteen istuntoon aiemmin useisiin tietokantoihin hajautuneen haun. DeepMindin mukaan tutkijat voivat jatkaa esittelyssä nähtyä keskustelua uusiin suuntiin esimerkiksi lisäämällä suodatuskriteerejä, tutkimalla eripituisia sekvenssejä tai kohdistamalla haun muihin tärkeisiin taudinaiheuttajiin ja laajentamalla sitä ihmisen kommensaalimikrobeista ympäristön mikrobeihin. Esittelyssä käsitelty ehdokas sekä useat muut samalla työnkululla löydetyt ehdokkaat ovat laboratoriokokein tehtävässä validoinnissa. DeepMindin mukaan koetulokset antavat lopullisen näytön agentin analyysin paikkansapitävyydestä.