Открытие антимикробного пептида: подробный разбор Google DeepMind

15 октября 2026 года Google DeepMind опубликовала подробный технический разбор, в котором биологи использовали Google Antigravity — платформу агентной разработки компании, — чтобы выявить новый кандидат в антимикробные пептиды у Streptococcus pseudopneumoniae. Компания сообщила, что ведущий кандидат проходит лабораторную проверку.

В разборе, подготовленном Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh и Lucy J. Colwell, эта работа рассматривается на фоне роста устойчивости к противомикробным препаратам. Как говорится в публикации, к 2050 году это может привести примерно к 10 миллионам смертей в год во всём мире. Антимикробные пептиды, в частности бактериоцины, представлены как многообещающая альтернатива традиционным антибиотикам: в ходе естественной эволюции они приобрели способность поражать ключевые уязвимые места конкурирующих бактерий — от клеточных оболочек до важнейших внутриклеточных структур. Согласно публикации, геномное и метагеномное секвенирование позволило наполнить глобальные базы данных миллиардами природных аминокислотных последовательностей. Среди них — широко применяемые бактериоцины, такие как Nisin, а также обнаруженные при анализе геномов Darobactin, Dynobactin и Lariocidin. При этом миллионы последовательностей в базе данных UniProt по-прежнему не имеют функциональной характеристики. Google разработала ProtNLM (языковую модель для белков), модель глубокого обучения, обученную предсказывать биологическую функцию непосредственно по исходным аминокислотным последовательностям. По словам DeepMind, с её помощью миллионы записей UniProt, ранее не имевших названий, были дополнены функциональными метками с высокой степенью достоверности.

От поиска в UniProt к кандидату, выявленному вычислительными методами

В описанной работе исследователь и ИИ-агент начинают с конкретной биологической задачи: найти новые антимикробные пептиды у Streptococcus pseudopneumoniae и проверить их с помощью вычислительных методов. В ходе интерактивного диалога из нескольких последовательных шагов исследователь определяет научную стратегию — решает, какие вопросы задавать и какие данные собирать, — а агент координирует работу с несколькими базами данных, анализирует структуры и обобщает научную литературу. На снимках интерфейса в публикации показан сеанс с выбранной в интерфейсе Antigravity моделью Gemini 3.8 Flash.

Агент выполнил поиск в UniProt и отфильтровал миллионы записей, составив короткий список кандидатов. Среди них он выявил бактериоцин с идентификатором UniProt A0A0U0D591 — пептид длиной 97 аминокислот из семейства Lactococcin 972. Согласно публикации, предполагается, что этот кандидат активен против возбудителей инфекций дыхательных путей. Чтобы проверить его новизну, исследователь поручил агенту сопоставить кандидата с отобранными белками Swiss-Prot с помощью сервиса EMBL-EBI NCBI-BLAST. В разборе сообщается, что проверка не выявила значимых гомологов по последовательности среди белков, проверенных вручную.

Затем агент получил предсказанную трёхмерную модель кандидата из базы данных структур белков AlphaFold, выполнил поиск Foldseek по экспериментально определённым структурам, чтобы найти отдалённые гомологи, и наложил модели друг на друга для оценки сходства. По словам DeepMind, структурные данные подтвердили предсказание ProtNLM: структура кандидата близко совпадает со структурой бактериоцина, определённой экспериментально. Изучив фланкирующие гены, агент обнаружил, что кандидат расположен за 6 пар оснований перед тесно связанным опероном, содержащим пермеазу транспортёра ABC и потенциальный партнёрский АТФ-связывающий белок. Рядом находились ещё один аннотированный бактериоцин и транскрипционный регулятор XRE. В публикации такой набор признаков описывается как убедительное контекстуальное свидетельство того, что кандидат входит в функционирующую систему бактериоцина.

Изучив существующую научную литературу, агент предположил, что механизм действия направлен на клеточное деление бактерий, а спектр предполагаемой активности охватывает несколько устойчивых к лекарственным препаратам патогенов. Затем агент преобразовал результаты вычислительного анализа в лабораторный протокол, включающий экспрессию белка, тестирование чувствительности к антимикробным препаратам, оценку взаимодействия с мишенью и испытания токсичности in vitro. DeepMind характеризует кандидата как биологически правдоподобный ведущий кандидат, обоснованный структурными и геномными данными, который всё ещё нуждается в лабораторной проверке.

Встроенная в Antigravity программа просмотра биомолекулярных структур

Одновременно с публикацией разбора DeepMind представила Biomolecular Structure Viewer — инструмент для трёхмерной визуализации, встроенный непосредственно в Antigravity и обеспечивающий исследователю и агенту общее визуальное представление. Получая структуры из AlphaFold Database или модели, предсказанные самим учёным, агент может динамически управлять программой просмотра и выделять ключевые функциональные области, наглядно объясняя свои гипотезы. Обмен информацией работает в обе стороны: действия пользователя, например выделение определённых остатков или закрепление заметок непосредственно в области связывания, синхронизируются с агентом. В публикации приводится пример: исследователь отмечает интересующую его область в трёхмерном пространстве и спрашивает, как β-цепь может повлиять на связывание с Lipid II. Благодаря этому агент может рассуждать с учётом именно той структурной среды, которую видит учёный.

Научная платформа Antigravity и программа доступа

На научной странице Antigravity говорится, что настройки агентов предоставляют им плагины, навыки, субагентов и хуки, предназначенные для работы с конкретными областями знаний, — для работы с более чем 30 крупными базами данных в области наук о жизни, включая атлас AlphaGenome объемом 1 ПБ, UniProt, PubChem и ChEMBL. Плагин Science можно установить одним нажатием в маркетплейсе настроек внутри приложения. Согласно странице, исследователи могут напрямую обращаться к передовым моделям Google DeepMind и базам данных, таким как AlphaGenome, AlphaFold Database и Atlas, в рабочей среде для исследований, а также создавать готовые к публикации трехмерные структурные визуализации в PyMOL, воспроизводимые аналитические скрипты и проверяемые научные артефакты. На странице также указано, что репозиторий настроек с открытым исходным кодом размещен на GitHub, настольная версия доступна для macOS, Windows, Linux и Googlebook, а Google предоставляет 10 000 ученым бесплатный доступ к Gemini 4 Argon в Antigravity с максимальным лимитом использования.

DeepMind описывает Antigravity как научную рабочую среду на базе агентов, которая сводит прежний разрозненный поиск по нескольким базам данных к одной сессии. Компания заявила, что исследователи могут продолжить показанный диалог в новых направлениях: например, добавить критерии фильтрации, изучить последовательности другой длины или сосредоточиться на других приоритетных патогенах, расширив поиск с комменсальных микроорганизмов человека на микроорганизмы окружающей среды. Кандидат, представленный в демонстрации, как и несколько других соединений, обнаруженных с помощью того же конвейера, проходит экспериментальную проверку в лаборатории. По словам DeepMind, окончательную оценку анализу агента дадут результаты экспериментов.