У покроковому огляді Google DeepMind розповідає про виявлення антимікробного пептиду

15 жовтня 2026 року Google DeepMind опублікувала технічний покроковий огляд, у якому біологи за допомогою Google Antigravity — її платформи розробки на основі агентів — виявили нового кандидата в антимікробні пептиди у Streptococcus pseudopneumoniae. Компанія повідомила, що провідний кандидат проходить лабораторну перевірку експериментальними методами.

В огляді, авторами якого є Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh і Lucy J. Colwell, цю роботу розглянуто на тлі зростання антимікробної резистентності, яка, за даними допису, може призвести до приблизно 10 мільйонів смертей щороку у світі до 2050 року. У ньому антимікробні пептиди, зокрема бактеріоцини, представлені як перспективна альтернатива традиційним антибіотикам, оскільки вони природним шляхом еволюціонували, щоб уражати фундаментальні вразливі місця конкуруючих бактерій — від клітинних оболонок до життєво важливих внутрішньоклітинних структур. Згідно з дописом, завдяки геномному й метагеномному секвенуванню глобальні бази даних поповнилися мільярдами природних амінокислотних послідовностей. Цей масив даних дав змогу виявити широко використовувані бактеріоцини, як-от Nisin, а також сполуки, знайдені шляхом аналізу геномів, зокрема Darobactin, Dynobactin і Lariocidin. Водночас функції мільйонів послідовностей у базі даних UniProt досі не охарактеризовано. Google розробила ProtNLM (Protein Natural Language Model) — модель глибинного навчання, яка, за описом у дописі, навчається прогнозувати біологічну функцію безпосередньо за первинними амінокислотними послідовностями. DeepMind повідомила, що за допомогою цієї моделі доповнила мільйони записів UniProt, які раніше не мали назв, високонадійними функціональними мітками.

Від пошуку в UniProt до кандидата, визначеного обчислювальним методом

В огляді дослідник і ШІ-агент починають із чітко сформульованої біологічної мети: знайти й перевірити обчислювальними методами нові антимікробні пептиди у Streptococcus pseudopneumoniae. Під час інтерактивної багатокрокової взаємодії дослідник визначає наукову стратегію, вирішуючи, які запитання ставити й які докази збирати, тоді як агент координує роботу з різними базами даних, аналізує структури та узагальнює наукову літературу. На знімках інтерфейсу в дописі показано, що сеанс відбувався з вибраною в інтерфейсі Antigravity моделлю Gemini 3.8 Flash.

Агент виконав пошук в UniProt і відфільтрував мільйони записів, сформувавши короткий список кандидатів. Серед них він визначив бактеріоцин із UniProt ID A0A0U0D591 — пептид завдовжки 97 амінокислот із родини Lactococcin 972. За даними допису, прогнозується, що кандидат діє проти збудників інфекцій дихальних шляхів. Щоб перевірити його новизну, дослідник доручив агентові зіставити кандидата з відібраними білками Swiss-Prot за допомогою сервісу EMBL-EBI NCBI-BLAST. В огляді повідомляється, що перевірка підтвердила відсутність значущих гомологів послідовності серед білків, перевірених вручну.

Потім агент отримав прогнозовану тривимірну модель кандидата з AlphaFold Protein Structure Database, виконав пошук Foldseek серед експериментально визначених структур, щоб виявити віддалені гомологи, і наклав моделі одна на одну для оцінювання подібності. DeepMind повідомила, що структурні дані підтвердили прогноз ProtNLM: згортка кандидата дуже схожа на згортку бактеріоцину, визначену експериментально. Аналізуючи фланкувальні гени, агент виявив, що кандидат розташований за 6 пар основ перед тісно зчепленим опероном, до складу якого входять пермеаза ABC-транспортера та її потенційний партнер — АТФ-зв’язувальний білок. Поруч також містяться ще один анотований бактеріоцин і транскрипційний регулятор XRE. У дописі цей генетичний патерн названо вагомим контекстуальним доказом того, що кандидат є частиною функціональної системи бактеріоцину.

На основі аналізу наявної літератури агент припустив, що механізм дії спрямований на поділ бактеріальних клітин, а прогнозований спектр активності охоплює кілька збудників, стійких до лікарських препаратів, зазначено в дописі. Потім агент перетворив результати обчислювального аналізу на лабораторний протокол, що передбачає експресію білка, тестування чутливості до антимікробних препаратів, перевірку взаємодії з мішенню та випробування токсичності in vitro. DeepMind характеризує кандидата як біологічно правдоподібну перспективну сполуку, обґрунтовану структурними й геномними даними, але таку, що все ще потребує лабораторної перевірки експериментальними методами.

Переглядач біомолекулярних структур, вбудований в Antigravity

Разом із покроковим оглядом DeepMind представила переглядач біомолекулярних структур — інструмент для тривимірної візуалізації, безпосередньо вбудований в Antigravity, який забезпечує дослідникові й агентові спільний візуальний простір. Коли агент отримує структури з AlphaFold Database або власні прогнози науковця, він може динамічно керувати переглядачем і виділяти ключові функціональні ділянки, щоб наочно пояснити свої гіпотези. Обмін інформацією працює в обох напрямках: дії на кшталт виділення конкретних залишків або прикріплення нотаток безпосередньо до ділянки зв’язування синхронізуються з агентом. У дописі наведено приклад: дослідник позначає в тривимірному просторі ділянку, що його цікавить, і запитує, як β-ланцюг може впливати на зв’язування з Lipid II. Завдяки цьому агент може міркувати, спираючись на точний структурний контекст, який бачить науковець.

Наукова платформа Antigravity та програма доступу

На науковій сторінці Antigravity зазначено, що налаштування агентів надають їм галузеві плагіни, навички, субагенти та хуки для роботи з понад 30 провідними базами даних із наук про життя, зокрема 1PB AlphaGenome Atlas, UniProt, PubChem і ChEMBL. Плагін Science можна встановити одним клацанням у маркетплейсі налаштувань у застосунку. Як зазначено на сторінці, дослідники можуть безпосередньо надсилати запити до передових моделей Google DeepMind і баз даних, як-от AlphaGenome, AlphaFold Database та Atlas, у дослідницькому робочому просторі, а також створювати готові до публікації 3D-візуалізації структур у PyMOL, відтворювані аналітичні скрипти та наукові матеріали, які можна перевірити. На сторінці також наведено посилання на репозиторій налаштувань із відкритим вихідним кодом на GitHub, вказано, що застосунок для комп’ютерів доступний для macOS, Windows, Linux і Googlebook, і повідомлено, що Google надає 10 000 науковців безплатний доступ до Gemini 4 Argon в Antigravity із найвищим рівнем використання.

DeepMind описує Antigravity як робочий простір для наукових досліджень на основі агентів, який об’єднує в одному сеансі пошук у кількох базах даних, що раніше був розрізненим, і заявляє, що дослідники можуть розвивати продемонстрований діалог у нових напрямках: додавати нові критерії фільтрування, досліджувати послідовності різної довжини або зосереджуватися на інших пріоритетних патогенах, розширюючи пошук від коменсалів людини до мікроорганізмів довкілля. Кандидат, представлений у демонстрації, разом із кількома іншими, виявленими за допомогою того самого конвеєра, проходить лабораторну перевірку; за словами DeepMind, саме експериментальні результати стануть остаточним випробуванням аналітичних висновків агента.