Google DeepMind opisuje odkrywanie peptydów przeciwdrobnoustrojowych

15 października 2026 roku Google DeepMind opublikowało szczegółowe omówienie techniczne, w którym biolodzy wykorzystali Google Antigravity, swoją platformę programistyczną opartą na agentach, aby zidentyfikować nowego kandydata na peptyd przeciwdrobnoustrojowy u Streptococcus pseudopneumoniae. Firma poinformowała, że kandydat jest obecnie poddawany walidacji w laboratorium.

Omówienie, którego autorami są Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh i Lucy J. Colwell, przedstawia te prace w kontekście narastającej oporności na środki przeciwdrobnoustrojowe. Jak podano we wpisie, do 2050 roku może ona doprowadzić do szacunkowo 10 milionów zgonów rocznie na świecie. Peptydy przeciwdrobnoustrojowe, a zwłaszcza bakteriocyny, przedstawiono jako obiecującą alternatywę dla tradycyjnych antybiotyków, ponieważ w toku ewolucji naturalnie przystosowały się do atakowania podstawowych słabych punktów konkurujących bakterii — od osłon komórkowych po niezbędne mechanizmy wewnątrzkomórkowe. Według wpisu sekwencjonowanie genomowe i metagenomowe doprowadziło do zgromadzenia w globalnych bazach danych miliardów naturalnych sekwencji aminokwasowych. Z tego zasobu pochodzą szeroko stosowane bakteriocyny, takie jak Nisin, a także odkryte w wyniku przeszukiwania genomów związki, w tym Darobactin, Dynobactin i Lariocidin. Jednocześnie miliony sekwencji w bazie UniProt wciąż nie mają określonej funkcji. Google opracowało ProtNLM (Protein Natural Language Model), który — jak opisano we wpisie — jest modelem głębokiego uczenia wytrenowanym do przewidywania funkcji biologicznej bezpośrednio na podstawie surowych sekwencji aminokwasowych. DeepMind poinformowało, że wzbogaciło miliony wcześniej nienazwanych wpisów UniProt o etykiety funkcjonalne o wysokim poziomie pewności.

Od wyszukiwania w UniProt do kandydata wyłonionego obliczeniowo

W opisanym omówieniu badacz i agent AI zaczynają od jasno określonego celu biologicznego: znaleźć i zweryfikować obliczeniowo nowe peptydy przeciwdrobnoustrojowe u Streptococcus pseudopneumoniae. Podczas interaktywnej, wieloetapowej sesji badacz wyznacza kierunek strategii naukowej, decydując, jakie pytania zadać i jakie dowody zebrać, a agent koordynuje działania w różnych bazach danych, analizuje struktury i syntetyzuje informacje z literatury naukowej. Zrzuty ekranu interfejsu zamieszczone we wpisie pokazują sesję prowadzoną z modelem Gemini 3.8 Flash wybranym w interfejsie Antigravity.

Agent przeszukał UniProt i zawęził miliony wpisów do krótkiej listy kandydatów, identyfikując bakteriocynę o identyfikatorze UniProt A0A0U0D591 — peptyd o długości 97 aminokwasów z rodziny Lactococcin 972. Jak podano we wpisie, przewiduje się, że kandydat działa na patogeny wywołujące zakażenia dróg oddechowych. Aby zweryfikować jego nowość, badacz polecił agentowi porównać kandydata z kuratorowanymi białkami Swiss-Prot za pośrednictwem usługi EMBL-EBI NCBI-BLAST. W omówieniu podano, że weryfikacja potwierdziła brak istotnego homologu sekwencyjnego wśród białek sprawdzonych ręcznie.

Następnie agent pobrał przewidywany model 3D kandydata z bazy danych struktur białkowych AlphaFold, przeprowadził wyszukiwanie za pomocą Foldseek względem struktur ustalonych eksperymentalnie, aby znaleźć odległe homologi, i nałożył na siebie modele w celu oceny ich podobieństwa. DeepMind poinformowało, że dowody strukturalne potwierdziły przewidywanie ProtNLM: fałd kandydata jest bardzo podobny do fałdu bakteriocyny, której strukturę ustalono eksperymentalnie. Analizując geny flankujące, agent ustalił, że kandydat znajduje się 6 par zasad przed ściśle powiązanym operonem zawierającym permeazę transportera ABC i potencjalnie współpracujące z nią białko wiążące ATP. W sąsiedztwie znajdowały się także inna opisana bakteriocyna i regulator transkrypcyjny XRE. Jak podano we wpisie, taki układ stanowi mocny dowód kontekstowy na to, że kandydat jest częścią aktywnego systemu bakteriocynowego.

Na podstawie przeglądu istniejącej literatury agent zaproponował mechanizm działania ukierunkowany na podział komórek bakteryjnych oraz przewidywane spektrum skuteczności obejmujące kilka patogenów lekoopornych — podano we wpisie. Następnie agent przełożył wyniki analiz in silico na protokół laboratoryjny obejmujący ekspresję białka, badanie wrażliwości na środki przeciwdrobnoustrojowe, ocenę oddziaływania z celem oraz badanie toksyczności in vitro. DeepMind określa kandydata jako wiarygodny biologicznie związek wiodący, poparty dowodami strukturalnymi i genomicznymi, który nadal wymaga walidacji w laboratorium.

Biomolecular Structure Viewer wbudowany w Antigravity

Oprócz omówienia DeepMind zaprezentowało Biomolecular Structure Viewer — narzędzie do wizualizacji 3D wbudowane bezpośrednio w Antigravity, które zapewnia badaczowi i agentowi wspólny widok struktur. Gdy agent pobiera struktury z bazy danych AlphaFold lub modele przewidziane przez naukowca, może dynamicznie sterować przeglądarką i podświetlać kluczowe regiony funkcjonalne, aby wizualnie objaśniać swoje hipotezy. Wymiana informacji działa w obie strony: działania takie jak podświetlanie określonych reszt lub przypinanie notatek bezpośrednio do kieszeni wiążącej są synchronizowane z agentem. We wpisie opisano przykład badacza, który zaznacza w przestrzeni 3D interesujący go region i pyta, jak pasmo β może wpływać na wiązanie Lipid II. Dzięki temu agent może analizować dokładnie ten kontekst strukturalny, który naukowiec widzi na ekranie.

Platforma naukowa Antigravity i program dostępu

Strona naukowa Antigravity podaje, że dostosowania agentów wyposażają agentów w wtyczki, umiejętności, podagentów i hooki specjalizujące się w określonych dziedzinach, ułatwiające pracę z ponad 30 głównymi bazami danych z zakresu nauk przyrodniczych, w tym z 1PB AlphaGenome Atlas, UniProt, PubChem i ChEMBL. Wtyczkę Science można zainstalować jednym kliknięciem z dostępnego w aplikacji marketplace’u dostosowań. Zgodnie z informacjami na stronie badacze mogą bezpośrednio wysyłać zapytania do najnowocześniejszych modeli Google DeepMind i przeszukiwać bazy danych, takie jak AlphaGenome, AlphaFold Database i Atlas, w środowisku badawczym. Mogą też tworzyć gotowe do publikacji trójwymiarowe wizualizacje struktur w PyMOL, skrypty do powtarzalnych analiz oraz weryfikowalne artefakty naukowe. Strona odsyła do repozytorium dostosowań o otwartym kodzie źródłowym w GitHubie, wymienia wersje desktopowe na macOS, Windows, Linux i Googlebook oraz informuje, że Google zapewnia 10 000 naukowcom bezpłatny dostęp do Gemini 4 Argon w Antigravity na najwyższym poziomie wykorzystania.

DeepMind opisuje Antigravity jako naukowe środowisko pracy oparte na agentach, które łączy w jednej sesji wyszukiwanie, wcześniej rozproszone między wieloma bazami danych. Firma poinformowała, że badacze mogą rozwijać zaprezentowaną rozmowę w nowych kierunkach, na przykład dodając kolejne kryteria filtrowania, analizując sekwencje o różnej długości lub wybierając inne patogeny priorytetowe. Mogą też rozszerzyć poszukiwania z komensali człowieka na drobnoustroje środowiskowe. Kandydat przedstawiony w prezentacji, wraz z kilkoma innymi odkrytymi z wykorzystaniem tego samego procesu, jest obecnie poddawany walidacji laboratoryjnej. DeepMind podkreśliło, że ostatecznym sprawdzianem analizy agenta będą wyniki eksperymentów.